Questão de Engenharia de Software — Inteligencia Artificial — FGV 2025
Engenharia de Software›Inteligencia Artificial
Código
fg121758
Banca
FGV
Órgão
TCE-PI
Ano
2025
Nível
Superior
Cargo
Auditor de Controle Externo - Controle Externo - Específica de Tecnologia da Informação - Sistemas, Engenharia de Dados e Ciência de Dados (Manhã)
Com relação ao ajuste de dados e a aplicação de modelos preditivos de aprendizado de máquina, analise os itens a seguir.I. O subajuste (underfitting) indica baixa capacidade preditiva do modelo para os dados de treinamento.II. O superajuste (overfitting) impacta negativamente a capacidade de generalização do modelo.III. A presença de ruído nos dados favorece a ocorrência de superajuste (overfitting) do modelo.Está correto o que se afirma em
AI, apenas.
BI e II, apenas.
CI e III, apenas.
DII e III, apenas.
EI, II e III.
Revelar gabarito e comentário▾
GabaritoE — I, II e III.
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”.
Ajuste de dados e modelos preditivos
Gabarito: letra E. As três afirmações sobre underfitting, overfitting e ruído estão corretas, conforme os conceitos fundamentais de aprendizado de máquina.
Análise dos itens
Item I — ✅ Correto O subajuste (underfitting) ocorre quando o modelo não consegue aprender adequadamente os padrões dos dados de treinamento, resultando em baixa capacidade preditiva inclusive para esses dados. Isso se manifesta como um alto erro tanto no treino quanto no teste.
Item II — ✅ Correto O superajuste (overfitting) acontece quando o modelo se ajusta excessivamente aos dados de treinamento, capturando ruídos e detalhes irrelevantes. Isso compromete a capacidade de generalização, ou seja, o modelo apresenta bom desempenho nos dados de treino, mas falha ao ser aplicado a novos dados.
Item III — ✅ Correto A presença de ruído nos dados de treinamento pode levar o modelo a tentar aprender esses padrões espúrios, favorecendo a ocorrência de overfitting. Quanto mais ruído, maior a tendência de o modelo se adaptar a flutuações aleatórias.
Análise das alternativas
Ajuste de modelos preditivos: Underfitting (subajuste) (Baixa capacidade preditiva, Alto erro no treino e teste); Overfitting (superajuste) (Ajuste excessivo ao treino, Perda de generalização); Ruído nos dados (Favorece overfitting, Modelo captura padrões espúrios)
Alternativa A — ❌ Incorreta
Afirma que apenas o item I está correto, ignorando os itens II e III, que são verdadeiros.
Alternativa B — ❌ Incorreta
Considera corretos apenas I e II, excluindo o item III, que também é correto.
Alternativa C — ❌ Incorreta
Considera corretos apenas I e III, excluindo o item II, que é verdadeiro.
Alternativa D — ❌ Incorreta
Considera corretos apenas II e III, excluindo o item I, que é correto.
Alternativa E — ✅ Correta ⟵ GABARITO
Todos os três itens estão corretos: I, II e III.
Conclusão: Os conceitos de underfitting (baixo desempenho nos dados de treino), overfitting (perda de generalização) e a influência do ruído no overfitting são fundamentais no aprendizado de máquina. Todas as afirmações estão corretas.