Questão de Engenharia de Software — Inteligencia Artificial — FGV 2025

Aprendizado de Máquina - Overfitting e Regularização

Gabarito: letra C. Em problemas de classificação binária, a regularização (L1 ou L2) é a técnica padrão para evitar overfitting, pois adiciona uma penalidade à função de perda que reduz a magnitude dos coeficientes, melhorando a generalização. Reduzir dados de teste ou treino, aumentar a complexidade ou evitar validação cruzada não são medidas adequadas.

Alternativa A — ❌ Incorreta

Reduzir a quantidade de dados no conjunto de teste não evita overfitting; pelo contrário, prejudica a avaliação do modelo, tornando a estimativa de erro menos confiável. O overfitting é um problema relacionado ao treinamento, não ao teste.

Alternativa B — ❌ Incorreta

Diminuir o número de dados de treinamento geralmente agrava o overfitting, pois o modelo tem menos exemplos para aprender, aumentando o risco de decorar o padrão dos poucos dados disponíveis.

Alternativa C — ✅ Correta ⟵ GABARITO

A regularização (L1 - Lasso ou L2 - Ridge) é uma técnica consagrada para combater overfitting. Ela adiciona um termo de penalidade à função de custo, que restringe a magnitude dos parâmetros do modelo, forçando-o a aprender padrões mais simples e generalizáveis. É amplamente utilizada em regressão logística, redes neurais, SVMs, etc.

Alternativa D — ❌ Incorreta

Aumentar a complexidade do modelo (ex.: adicionar mais camadas em uma rede neural, aumentar grau de polinômio) tende a aumentar o overfitting, não reduzi-lo. Modelos mais complexos têm maior capacidade de se ajustar ao ruído dos dados de treino.

Alternativa E — ❌ Incorreta

Evitar o uso de validação cruzada não ajuda a evitar overfitting; na verdade, a validação cruzada é uma ferramenta importante para detectar overfitting, pois avalia o desempenho do modelo em diferentes partições dos dados.

Gabarito: letra C.