Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg085023
Banca
FGV
Órgão
EPE
Ano
2024
Nível
Superior
Cargo
Analista de Pesquisa Energética (Meio Ambiente / Geoprocessamento Meio Físico)
Durante o treinamento de um modelo de aprendizado de máquina, percebe-se que o modelo tem uma alta precisão no conjunto de treinamento, mas uma baixa precisão para o conjunto de novos dados.Isso indica um(a)
Aunderfitting, já que a quantidade de dados é insuficiente, resultando em alta variabilidade nos resultados e baixa precisão no conjunto de teste.
Boverfitting, já que o modelo é excessivamente ajustado aos dados de treinamento.
Cnormalização incorreta dos dados, já que o modelo é muito simples para capturar as relações subjacentes nos dados.
Descolha incorreta do algoritmo, já que isso resulta em baixa precisão no conjunto de treinamento e no conjunto de teste.
Efalta de dados suficientes, já que resulta em desempenho insatisfatório tanto no treinamento quanto no teste.
Revelar gabarito e comentário▾
GabaritoB — overfitting, já que o modelo é excessivamente ajustado aos dados de treinamento.
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: B. O fenômeno descrito — alta precisão no treino e baixa precisão em novos dados — é a definição clássica de overfitting (sobreajuste). O modelo se ajustou excessivamente aos dados de treinamento, capturando ruídos e padrões específicos que não se generalizam para dados não vistos.
Critério
Overfitting (B)
Underfitting (A)
Normalização incorreta (C)
Escolha incorreta do algoritmo (D)
Falta de dados (E)
Desempenho no treino
Alto
Baixo
Variável (pode ser baixo ou médio)
Baixo
Baixo
Desempenho no teste/novos dados
Baixo
Baixo
Baixo (mas sem contraste acentuado)
Baixo
Baixo
Causa principal
Modelo excessivamente complexo, captura ruído
Modelo muito simples para os padrões dos dados
Escalas inadequadas prejudicam convergência
Algoritmo inadequado para o tipo de problema
Volume insuficiente para aprendizado significativo
Relação com o enunciado
✅ Corresponde exatamente: alto treino + baixo teste
❌ Contradiz: treino baixo, não alto
❌ Não explica o contraste treino/teste
❌ Não explica o alto desempenho no treino
❌ Não explica o alto desempenho no treino
Alternativa A — ❌ Incorreta
O underfitting caracteriza-se por baixo desempenho tanto no treino quanto no teste, pois o modelo é simples demais para aprender as relações subjacentes. Aqui o desempenho no treino é alto, o que afasta underfitting.
Alternativa B — ✅ Correta ⟵ GABARITO
Exatamente a definição de overfitting: o modelo "decora" os dados de treino e perde a capacidade de generalização, resultando em queda de performance no conjunto de teste.
Alternativa C — ❌ Incorreta
Normalização incorreta pode prejudicar o treinamento, mas o cenário descrito não sugere esse problema. A normalização afeta a escala dos dados, não é causa direta do contraste treino/teste.
Alternativa D — ❌ Incorreta
A escolha incorreta do algoritmo poderia levar a baixo desempenho geral, mas o enunciado relata bom desempenho no treino, indicando que o algoritmo é capaz de aprender — o problema é o excesso de ajuste.
Alternativa E — ❌ Incorreta
Falta de dados pode causar underfitting ou overfitting dependendo da complexidade do modelo, mas o sintoma descrito (alta precisão no treino, baixa no teste) é típico de overfitting, não de insuficiência de dados por si só.