Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg092718
Banca
FGV
Órgão
Prefeitura de Vitória - ES
Ano
2024
Nível
Superior
Cargo
Analista em Gestão Pública - Estatístico
A otimização de hiperparâmetros é crucial na construção de modelos de Machine Learning, pois pode afetar significativamente o desempenho do modelo. Diversas técnicas de busca são usadas para encontrar a melhor combinação de hiperparâmetros, e entender quais são eficazes para esse propósito é essencial para aprimorar a precisão do modelo.A técnica apropriada na otimização de hiperparâmetros para um modelo de aprendizado supervisionado, considerando tanto a eficiência quanto a eficácia é a
ABusca Aleatória.
BBusca em Grade.
CBusca em Gradiente.
DOtimização Bayesiana.
ERepresentação com Bag de n-gramas.
Revelar gabarito e comentário▾
GabaritoD — Otimização Bayesiana.
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”.
Otimização de Hiperparâmetros em Machine Learning
Gabarito: letra D. A otimização bayesiana é a técnica mais apropriada para otimização de hiperparâmetros em aprendizado supervisionado, equilibrando eficiência (menos avaliações) e eficácia (encontrar boas combinações) por meio de um modelo probabilístico que guia a busca. Diferente das outras alternativas, ela explora o espaço de forma inteligente, reduzindo o custo computacional.
A questão cobra o conhecimento sobre as principais técnicas de busca de hiperparâmetros. A banca espera que o candidato identifique a opção mais adequada para o cenário de aprendizado supervisionado.
Técnica
Eficiência
Eficácia
Característica Principal
Busca Aleatória
Média
Média
Amostra combinações aleatoriamente, sem usar resultados anteriores
Busca em Grade
Baixa
Alta
Testa exaustivamente todas as combinações em uma grade predefinida
Busca em Gradiente
Inaplicável
Inaplicável
Usada para otimizar parâmetros do modelo (pesos), não hiperparâmetros
Otimização Bayesiana
Alta
Alta
Usa modelo probabilístico para guiar a busca, equilibrando exploração e aproveitamento
Bag de n-gramas
Inaplicável
Inaplicável
Técnica de representação textual, não de otimização de hiperparâmetros
Alternativa A — ❌ Incorreta
A busca aleatória (Random Search) é uma melhoria em relação à busca em grade, pois amostra combinações aleatoriamente, mas não é a mais eficaz: ela não utiliza informações de resultados anteriores para guiar a busca, podendo desperdiçar avaliações. A otimização bayesiana a supera em eficiência e eficácia.
Alternativa B — ❌ Incorreta
A busca em grade (Grid Search) testa exaustivamente todas as combinações de hiperparâmetros definidas em uma grade. Embora simples, é extremamente ineficiente em espaços de alta dimensão, tornando-se inviável para modelos complexos. Não é a mais apropriada quando se considera a eficiência.
Alternativa C — ❌ Incorreta
A busca em gradiente (Gradient Search) não é uma técnica comum para otimização de hiperparâmetros, pois a maioria dos hiperparâmetros é discreta ou não diferenciável. Essa abordagem é mais utilizada para otimizar os parâmetros do modelo (pesos) durante o treinamento, não os hiperparâmetros. Portanto, está fora do escopo da questão.
Alternativa D — ✅ Correta ⟵ GABARITO
A otimização bayesiana (Bayesian Optimization) constrói um modelo probabilístico (geralmente um Processo Gaussiano) da função objetivo e usa uma função de aquisição para selecionar os próximos hiperparâmetros a serem avaliados. Ela balancea exploração e aproveitamento (exploration vs. exploitation), sendo muito mais eficiente que a busca aleatória e em grade, especialmente quando cada avaliação é custosa. É a técnica mais recomendada para otimização de hiperparâmetros em aprendizado supervisionado.
Alternativa E — ❌ Incorreta
A representação com Bag of n-grams é uma técnica de extração de características (feature extraction) usada em processamento de linguagem natural, não uma técnica de otimização de hiperparâmetros. Totalmente fora do contexto da pergunta.
NÃO CAIA NESSA!
A alternativa C (Busca em Gradiente) pode confundir candidatos que associam "gradiente" ao treinamento de redes neurais (gradient descent). No entanto, a busca em gradiente não é aplicável à otimização de hiperparâmetros, que geralmente são discretos ou categóricos. A banca explora essa confusão conceitual.