Questão de Engenharia de Software — Inteligencia Artificial — FGV 2024
Engenharia de Software›Inteligencia Artificial
Código
fg099869
Banca
FGV
Órgão
TJ-RR
Ano
2024
Nível
Superior
Cargo
Analista Judiciário - Ciência de Dados e Analytics
Um dos principais objetivos dos algoritmos de aprendizado de máquinas é o de estabelecer um modelo que melhor descreva as relações entre variáveis de um conjunto de dados. Em algumas situações, ao serem treinados, os modelos ajustam-se demasiadamente aos dados do conjunto, capturando até mesmo padrões relacionados aos ruídos dos dados. Esses modelos tendem a ser excessivamente complexos e a ter um mau desempenho na generalização, isto é, nas etapas em que é necessário processar novas instâncias de dados não pertencentes ao conjunto de treinamento original.Uma maneira de mitigar esse comportamento inconveniente é usar técnicas de
Aoverfitting.
Bbackpropagation.
Cincremento de dimensionalidade.
Dregularização.
Eunderfitting.
Revelar gabarito e comentário▾
GabaritoD — regularização.
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”.
Machine Learning – Overfitting e Regularização
Gabarito: letra D. A regularização é a técnica que penaliza modelos excessivamente complexos, reduzindo o overfitting ao adicionar uma penalidade à função de perda. O overfitting é o problema descrito no enunciado (modelo complexo que captura ruídos), e a regularização é a solução padrão em aprendizado de máquina.
O enunciado descreve o fenômeno do overfitting: modelo muito complexo que se ajusta ao ruído dos dados de treinamento e perde capacidade de generalização. A pergunta é clara: “Uma maneira de mitigar esse comportamento inconveniente é usar técnicas de …”. A resposta correta é regularização.
Overfitting (problema)
1Modelo complexo demais
2Captura ruídos dos dados
3Mau desempenho na generalização
4Soluções
Regularização (L1/L2)
Penaliza coeficientes
Reduz complexidade
Melhora generalização
Backpropagation (otimização)
Treina redes neurais
Não combate overfitting
5Problema oposto
Underfitting
Modelo simples demais
Não aprende treinamento
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Overfitting é o próprio problema, não a solução. A alternativa inverte o conceito: enquanto a técnica de mitigação é a regularização, o overfitting é o que se quer evitar.
Alternativa B — ❌ Incorreta
Backpropagation é um algoritmo de otimização usado para treinar redes neurais, calculando gradientes. Não é uma técnica específica para combater overfitting, embora possa ser combinada com regularização.
Alternativa C — ❌ Incorreta
Incremento de dimensionalidade (adicionar mais variáveis) geralmente agrava o overfitting, pois torna o modelo ainda mais complexo. É o oposto do que se deseja.
Alternativa D — ✅ Correta ⟵ GABARITO
Regularização, como L1 (Lasso) e L2 (Ridge), adiciona uma penalidade aos coeficientes do modelo, reduzindo a complexidade e melhorando a generalização. É a técnica padrão para mitigar overfitting.
Alternativa E — ❌ Incorreta
Underfitting é o problema oposto: modelo muito simples que não aprende bem nem os dados de treinamento. Regularização corrige overfitting, não underfitting.
NÃO CAIA NESSA!
A banca tenta confundir o problema (overfitting) com a solução (regularização). O candidato que marcar “overfitting” incorre no erro de oferecer o próprio problema como resposta.