Engenharia de Software · FGV · 2026 | Questão sqc-fg133796

Engenharia de SoftwareInteligencia Artificial

Código: fg133796
Banca: FGV
Órgão: TJ-RJ
Ano: 2026
Nível: Superior

Cargo: Analista Judiciário - Tecnologia da Informação - Analista de Inteligência Artificial

O desempenho de modelos de aprendizado de máquina está intrinsecamente relacionado ao equilíbrio entre viés e variância. Modelos com alto viés tendem a simplificar excessivamente o problema, resultando em subajuste (underfitting), enquanto modelos com alta variância podem capturar ruído nos dados de treinamento, levando ao sobreajuste (overfitting). Para mitigar esses problemas, diversas técnicas de regularização podem ser empregadas, ajustando a complexidade do modelo e melhorando sua capacidade de generalização.Considerando os conceitos de compensação viés-variância, sobreajuste, subajuste e técnicas de regularização, é correto afirmar que:

Ao aumento do parâmetro de regularização (lambda ou alpha) reduz o viés do modelo ao permitir que ele capture padrões mais complexos, sendo recomendado para corrigir problemas de underfitting em redes neurais profundas;
Ba regularização L1 (Lasso) e a regularização L2 (Ridge) produzem resultados idênticos em termos de seleção de features, diferindo apenas na velocidade de convergência do algoritmo de otimização durante o treinamento;
Ca validação cruzada (cross-validation) é uma técnica de regularização que modifica a função de perda adicionando um termo de penalização aos coeficientes do modelo, reduzindo assim a variância sem alterar o viés;
Dmodelos com sobreajuste apresentam alto viés e baixa variância, razão pela qual técnicas de regularização são aplicadas para aumentar a complexidade do modelo e melhorar seu desempenho no conjunto de treinamento;
Eo aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.

Revelar gabarito e comentário

GabaritoE — o aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.

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”.

Compensação viés-variância e regularização

Gabarito: letra E. O aumento do parâmetro de regularização (lambda/alpha) reduz a complexidade efetiva do modelo, o que aumenta o viés e reduz a variância – medida eficaz contra overfitting, mas que, se exagerada, pode levar ao underfitting. É exatamente o descrito na alternativa E.

A questão exige domínio da relação entre regularização e o trade-off viés-variância. O conteúdo de apoio esclarece que overfitting está ligado a alta variância (modelo complexo) e underfitting a alto viés (modelo simples). A regularização insere viés para reduzir variância, combatendo o overfitting.

Alternativa	Afirmação sobre Regularização / Viés-Variância	Correção	Motivo da Correção
A	Aumentar lambda/alpha reduz o viés e é indicado para underfitting.	❌ Incorreta	Aumentar a regularização aumenta o viés e simplifica o modelo, agravando o underfitting.
B	L1 e L2 produzem resultados idênticos na seleção de features.	❌ Incorreta	L1 (Lasso) pode zerar coeficientes (seleção automática); L2 (Ridge) apenas os suaviza, sem zerar.
C	Validação cruzada é uma técnica de regularização que modifica a função de perda.	❌ Incorreta	Validação cruzada é método de avaliação/validação, não altera a função de perda nem adiciona penalização.
D	Overfitting tem alto viés e baixa variância; regularização aumenta a complexidade.	❌ Incorreta	Overfitting tem baixo viés e alta variância; a regularização reduz a complexidade.
E	Aumentar lambda/alpha reduz complexidade, aumenta viés e reduz variância; eficaz contra overfitting, mas excesso causa underfitting.	✅ Correta	Descrição exata do trade-off viés-variância e do efeito da regularização.

Regularização: Aumenta λ/α (Reduz complexidade, Aumenta viés, Reduz variância, Excesso → underfitting); L1 (Lasso) (Zera coeficientes, Seleciona features); L2 (Ridge) (Suaviza coeficientes, Não zera); Validação cruzada (Avalia modelo, Não regulariza)

Alternativa A — ❌ Incorreta

Afirma que aumentar o parâmetro de regularização reduz o viés e permite capturar padrões mais complexos, sendo indicado para underfitting. Na verdade, aumentar a regularização aumenta o viés e simplifica o modelo, o que agravaria o underfitting – é o oposto do correto.

Alternativa B — ❌ Incorreta

Diz que L1 (Lasso) e L2 (Ridge) produzem resultados idênticos na seleção de features, diferindo só na velocidade de convergência. Isso é falso: L1 pode zerar coeficientes (seleção automática de features), enquanto L2 apenas os suaviza (não zera). O efeito na seleção de features é diferente.

Alternativa C — ❌ Incorreta

Apresenta a validação cruzada como técnica de regularização que modifica a função de perda com penalização. A validação cruzada é um método de avaliação/validação do modelo, não uma técnica de regularização. Ela não altera a função de perda nem adiciona termos de penalização.

Alternativa D — ❌ Incorreta

Afirma que modelos com sobreajuste (overfitting) apresentam alto viés e baixa variância, e que a regularização aumenta a complexidade. Na realidade, overfitting tem baixo viés e alta variância, e a regularização reduz a complexidade do modelo, não a aumenta.

Alternativa E — ✅ Correta ⟵ GABARITO

Descreve corretamente o efeito do aumento do parâmetro de regularização: redução da complexidade, aumento do viés, redução da variância. É uma estratégia contra overfitting, mas excesso pode causar underfitting. Isso está alinhado com as definições de regularização e do trade-off viés-variância apresentadas no material de apoio.

Gabarito: letra E.

Link permanente: /questoes/fg133796