Engenharia de Software · FGV · 2024 | Questão sqc-fg099061

Engenharia de SoftwareInteligencia Artificial

Código: fg099061
Banca: FGV
Órgão: TJ-MT
Ano: 2024
Nível: Superior

Cargo: Analista Judiciário - Tecnologia da Informação

A divisão dos dados por ocasião das tarefas de aprendizado de máquina deve ser feita com todo critério técnico para evitar problemas nos modelos gerados.No contexto dessa divisão dos dados, assinale a afirmativa correta acerca do processo de overfitting em aprendizado de máquina.

AO modelo generaliza bem para dados novos, apresentando baixa taxa de erro tanto em dados de treino quanto em dados de teste.
BO modelo se ajusta excessivamente aos dados de treino, mas apresenta baixo desempenho em dados de teste.
CO modelo apresenta alto desempenho em dados de teste, mas baixo desempenho em dados de treino.
DO modelo é incapaz de aprender padrões dos dados de treino, resultando em alto erro de treino e de teste.
EO modelo é robusto e apresenta desempenho constante independentemente do conjunto de dados analisado.

Revelar gabarito e comentário

GabaritoB — O modelo se ajusta excessivamente aos dados de treino, mas apresenta baixo desempenho em 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 B. Overfitting (sobreajuste) é o fenômeno em que o modelo se ajusta excessivamente aos dados de treinamento, "decorando" ruídos e particularidades, mas apresentando baixo desempenho em dados novos (teste). Isso é exatamente o descrito na alternativa B.

A questão cobra a definição clássica de overfitting, frequentemente confundida com underfitting ou com um modelo ideal.

Treino

Teste

Erro alto

Modelo ideal

Overfitting

Erro baixo

Underfitting

Modelo ideal

LEVEL · soulevel.com.br

Alternativa A — ❌ Incorreta

Descreve um modelo com boa generalização (baixo erro em treino e teste), que é o objetivo desejado, mas não caracteriza overfitting.

Alternativa B — ✅ Correta ⟵ GABARITO

Ajuste excessivo aos dados de treino e baixo desempenho em teste é a definição padrão de overfitting, conforme o material de apoio: "excelente desempenho em dados de treinamento, mas seu desempenho se reduz à medida que avalia os novos dados."

Alternativa C — ❌ Incorreta

Apresenta uma situação invertida: alto desempenho em teste e baixo em treino, o que não é típico de overfitting nem de underfitting.

Alternativa D — ❌ Incorreta

Descreve underfitting: o modelo não consegue aprender padrões, resultando em alto erro tanto em treino quanto em teste.

Alternativa E — ❌ Incorreta

Um modelo robusto com desempenho constante independentemente dos dados seria ideal, mas o overfitting é justamente o oposto: desempenho instável.

Gabarito: letra B

Link permanente: /questoes/fg099061