Questão de Engenharia de Software — Inteligencia Artificial — FGV 2026
Engenharia de Software›Inteligencia Artificial
Código
fg125976
Banca
FGV
Órgão
AL-GO
Ano
2026
Nível
Superior
Cargo
Analista Legislativo - Analista de Ciência de Dados
As máquinas de vetores de suporte (SVM) são um conjunto de métodos de aprendizado usados para tratar problemas de classificação, regressão e detecção de outliers. Considerando as vantagens e desvantagens do uso do SVM no python 3.0 através da biblioteca scikit learn (versão 1.7.2), avalie se as afirmativas a seguir são verdadeiras (V) ou falsas (F).( ) Como vantagem, as SVM são eficazes em espaços de alta dimensionalidade e eficaz nos casos em que o número de dimensões é maior que o número de amostras.( ) Como desvantagem, as SVM utilizam um subconjunto de pontos de treinamento na função de decisão, sendo, portanto, sendo pouco eficiente em termos de uso de memória.( ) Como desvantagem, se o número de características for muito maior que o número de amostras, evitar o sobreajuste na escolha das funções Kernel e do termo de regularização é crucial.( ) Como vantagem, as SVMs fornecem estimativas de probabilidade diretamente; estas são calculadas usando uma validação cruzada de muitas partes que é um processo dispendioso.As afirmativas são, respectivamente,
AV – V – V – F.
BV – F – V – F.
CV – V – F – V.
DF – V – F – V.
EF – V – F – F.
Revelar gabarito e comentário▾
GabaritoB — V – F – V – F.
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”.
Máquinas de Vetores de Suporte (SVM)
Gabarito: letra B (V – F – V – F). A sequência correta é: (1) Verdadeiro – SVM é eficaz em alta dimensionalidade; (2) Falso – usar vetores de suporte torna o modelo eficiente em memória; (3) Verdadeiro – cuidado com overfitting é necessário; (4) Falso – SVM não fornece probabilidades diretamente.
A questão exige conhecimento das características reais do SVM. Vamos analisar cada afirmativa:
Afirmativa
V/F
Justificativa
(1) Eficaz em alta dimensionalidade e quando dimensões > amostras
V
SVM usa margem máxima e kernel trick, robusto à maldição da dimensionalidade.
(2) Usar vetores de suporte torna o modelo ineficiente em memória
F
Usar subconjunto (vetores de suporte) é vantagem: reduz memória necessária.
(3) Com features >> amostras, evitar overfitting na escolha do kernel e regularização é crucial
V
Risco alto de overfitting; escolha adequada de kernel e parâmetro C é essencial.
(4) SVM fornece probabilidades diretamente via validação cruzada
F
SVM é não probabilístico; probabilidades exigem pós-processamento (ex.: Platt scaling).
Afirmativa 1 — ✅ Verdadeira
"Como vantagem, as SVM são eficazes em espaços de alta dimensionalidade e eficaz nos casos em que o número de dimensões é maior que o número de amostras."
Correto. O SVM utiliza o princípio da margem máxima e o kernel trick, o que o torna robusto à maldição da dimensionalidade. É amplamente utilizado em problemas como classificação de texto (alta dimensionalidade) com poucas amostras.
Afirmativa 2 — ❌ Falsa
"Como desvantagem, as SVM utilizam um subconjunto de pontos de treinamento na função de decisão, sendo, portanto, pouco eficiente em termos de uso de memória."
Errado. O uso de um subconjunto (os vetores de suporte) é justamente uma vantagem: reduz a memória necessária para o modelo, pois apenas os pontos mais próximos da fronteira são armazenados. A afirmativa inverte o efeito: diz que é ineficiente, mas é eficiente.
Afirmativa 3 — ✅ Verdadeira
"Como desvantagem, se o número de características for muito maior que o número de amostras, evitar o sobreajuste na escolha das funções Kernel e do termo de regularização é crucial."
Correto. Quando o número de features supera o número de amostras, o risco de overfitting é alto. A escolha adequada do kernel (evitando kernels complexos desnecessários) e da regularização (parâmetro C) é essencial para generalização.
Afirmativa 4 — ❌ Falsa
"Como vantagem, as SVMs fornecem estimativas de probabilidade diretamente; estas são calculadas usando uma validação cruzada de muitas partes que é um processo dispendioso."
Errado. SVMs são classificadores não probabilísticos (produzem distância ao hiperplano, não probabilidade). Para obter probabilidades, é necessário pós-processamento (ex.: Platt scaling), que pode envolver validação cruzada e é computacionalmente caro. A afirmativa erra ao dizer que fornecem probabilidades "diretamente".
Conclusão
Sequência correta: V – F – V – F, que corresponde à alternativa B.
NÃO CAIA NESSA!
Lembre-se: SVM é eficiente em memória porque guarda só os vetores de suporte; não fornece probabilidades sem custo extra. Esses dois pontos são clássicos em pegadinhas de concursos.