Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg079816
Banca
FGV
Órgão
DATAPREV
Ano
2024
Nível
Superior
Cargo
ATI - Inteligência da Informação
Um conjunto de dados foi particionado em dois subconjuntos, sendo um de treinamento e outro de testagem, ambos utilizados exclusivamente para serem usados em seus objetivos originais (dados de treino para treinamento, e de teste para testagem).Em relação ao ajuste e validação de modelos em aprendizado de máquina, um modelo sofre overfitting quando
Aapresenta bom desempenho nos dados de treinamento, mas tem baixo desempenho nos dados de teste.
Bé simples demais para capturar os padrões subjacentes nos dados.
Cminimiza o erro nos dados de treinamento e os de teste, aumentando a correlação entre esses dois conjuntos.
Doferece uma matriz de confusão para um classificador detalhando seu desempenho.
Erelaciona-se aos altos viés e variância do conjunto de dados.
Revelar gabarito e comentário▾
GabaritoA — apresenta bom desempenho nos dados de treinamento, mas tem baixo desempenho nos dados de teste.
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”.
Overfitting em Aprendizado de Máquina
Gabarito: letra A. Overfitting (sobreajuste) ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, capturando ruídos e particularidades, e consequentemente apresenta baixo desempenho em dados novos (teste). É o oposto de underfitting, que ocorre quando o modelo é muito simples para capturar os padrões. A alternativa A descreve exatamente essa situação: bom desempenho no treino e mau desempenho no teste.
Overfitting (sobreajuste)
1Modelo complexo demais
Baixo viés
Alta variância
2Desempenho
Treino: excelente
Teste: ruim
3Causa
Captura ruídos e particularidades
"Decora" os dados
4Underfitting
Modelo simples demais
Alto viés
Baixa variância
Desempenho
Treino: ruim
Teste: ruim
LEVEL · soulevel.com.br
Alternativa A — ✅ Correta ⟵ GABARITO
A definição clássica de overfitting: o modelo "decora" os dados de treinamento e perde a capacidade de generalizar. Nos dados de teste, seu desempenho cai. Essa é a alternativa que corresponde ao fenômeno.
Alternativa B — ❌ Incorreta
O modelo simples demais que não captura os padrões sofre de underfitting, não overfitting. Underfitting gera alto viés e baixo desempenho tanto no treino quanto no teste.
Alternativa C — ❌ Incorreta
Se o modelo minimiza o erro nos dois conjuntos, ele está generalizando bem, o que é o objetivo desejado (bom ajuste). Overfitting, pelo contrário, tem erro baixo no treino e alto no teste, não minimizando ambos simultaneamente.
Alternativa D — ❌ Incorreta
A matriz de confusão é uma ferramenta de avaliação de classificadores, não um fenômeno relacionado a overfitting. Ela detalha acertos e erros, mas não define o sobreajuste.
Alternativa E — ❌ Incorreta
Overfitting está associado a alta variância e baixo viés, não a ambos altos. Um modelo com alto viés e alta variância é raro e não corresponde ao overfitting. O sobreajuste é caracterizado por baixo viés (modelo complexo) e alta variância (sensibilidade a pequenas flutuações nos dados).
NÃO CAIA NESSA!
Para não confundir: overfitting = modelo complexo demais (baixo viés, alta variância); underfitting = modelo simples demais (alto viés, baixa variância). A chave é observar o desempenho comparativo entre treino e teste: se treino excelente e teste ruim → overfitting; se treino e teste ambos ruins → underfitting.