Engenharia de Software · FGV · 2024 | Questão sqc-fg079815

Engenharia de SoftwareInteligencia Artificial

Código: fg079815
Banca: FGV
Órgão: DATAPREV
Ano: 2024
Nível: Superior

Cargo: ATI - Inteligência da Informação

A validação cruzada é uma importante técnica em aprendizado de máquina, usada para obter uma estimativa mais robusta do erro de generalização. Dessa forma, ela contribui para a construção de modelos mais confiáveis, permitindo uma avaliação mais precisa de sua capacidade preditiva em diferentes cenários.Uma das características da validação cruzada com k conjuntos é que esse método

Aconsidera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.
Bdivide aleatoriamente registros em treinamento e teste em proporções p e (1-p), respectivamente.
Cgera conjuntos cuja interseção é não vazia, utilizados a cada iteração como conjunto de treino e teste.
Dpenaliza os conjuntos de treino com k sorteios aleatórios, de modo a torná-lo equilibrado frente ao conjunto de teste.
Eproduz o conjunto de treinamento a partir de N sorteios aleatórios com reposição a partir dos dados originais.

Revelar gabarito e comentário

GabaritoA — considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos.

Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.

Validação Cruzada (k-fold)

Gabarito: letra A. A validação cruzada com k conjuntos (k-fold) divide os dados em k subconjuntos mutuamente exclusivos. Na versão estratificada, mantém-se a proporção de exemplos de cada classe em cada subconjunto, garantindo representatividade. As demais alternativas descrevem outras técnicas: holdout (B), conjuntos não disjuntos (C), penalização (D) e bootstrap (E).

Alternativa A — ✅ Correta ⟵ GABARITO

A alternativa descreve corretamente a validação cruzada estratificada: "considera, na sua versão estratificada, a proporção de exemplos de cada classe quando da geração de subconjuntos mutuamente exclusivos." Isso assegura que cada fold reflita a distribuição original das classes, evitando viés de amostragem.

Alternativa B — ❌ Incorreta

A descrição de "dividir aleatoriamente registros em treinamento e teste em proporções p e (1-p)" corresponde ao método holdout (simples divisão treino/teste), não à validação cruzada k-fold, que utiliza múltiplas iterações com diferentes partições.

Alternativa C — ❌ Incorreta

Afirma que os conjuntos gerados têm interseção não vazia. Na validação cruzada k-fold, os conjuntos de treino e teste são disjuntos (interseção vazia) em cada iteração, exceto pelo fato de que amostras podem aparecer em folds diferentes ao longo das iterações, mas nunca simultaneamente no mesmo par treino-teste.

Alternativa D — ❌ Incorreta

Não há penalização de conjuntos de treino com k sorteios aleatórios. A validação cruzada simplesmente particiona os dados; a versão estratificada ajusta a distribuição das classes, mas sem "penalização".

Alternativa E — ❌ Incorreta

A produção do conjunto de treinamento a partir de N sorteios com reposição caracteriza o método bootstrap, não a validação cruzada k-fold, que usa subconjuntos sem reposição.

NÃO CAIA NESSA!

A banca explora a confusão entre validação cruzada k-fold e outras técnicas de reamostragem (holdout, bootstrap). Lembre-se: k-fold divide os dados em k partes disjuntas, e cada parte é usada exatamente uma vez como teste. Na versão estratificada, as proporções de classe são preservadas em cada fold.

Gabarito: letra A.

Link permanente: /questoes/fg079815