Questão de Algoritmos e Estrutura de Dados — Algoritmos — IV - UFG 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
qg121344
Banca
IV - UFG
Órgão
TJ-AC
Ano
2024
Nível
Superior
Cargo
CS-UFG - - Analista Judiciário - Analista de Ciência de Dados
Ao construir um classificador usando aprendizado de máquina, um analista deve verificar o quão efetivo ele é para a predição, ou seja, estimar sua precisão preditiva, uma vez que o erro é inerente ao processo – deseja-se aprender sobre uma população, mas se tem acesso a uma amostra dela. No caso da classificação, o conjunto de treinamento é utilizado para aprender e um conjunto de testes é utilizado para estimar o erro. Para estimar a precisão preditiva de um classificador a partir de uma amostra de dados não utilizada anteriormente ou não conhecida, podem ser empregadas as seguintes estratégias:
Aleave-p-out, validação cruzada k-fold.
Bmatriz de probabilidades, subamostragem aleatória.
Ctroca de valores mais frequentes, divisão do conjunto de teste.
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”.
Estratégias de estimativa de precisão preditiva em classificação
Gabarito: letra A. As estratégias leave-p-out e validação cruzada k-fold são métodos consagrados de reamostragem para estimar o erro de generalização de um classificador a partir de uma amostra. O leave-p-out remove p observações para teste e treina com o restante, repetindo o processo. A validação cruzada k-fold divide os dados em k partes iguais, treina em k-1 e testa na parte restante, alternando as partes. Ambas são amplamente utilizadas para obter uma estimativa honesta do desempenho preditivo.
1Leave-p-out
2Validação cruzada k-fold
3Leave-one-out
4Bootstrap
LEVEL · soulevel.com.br
Alternativa A — ✅ Correta ⟵ GABARITO
Tanto leave-p-out quanto a validação cruzada k-fold são técnicas de reamostragem padronizadas para estimar a acurácia de um modelo preditivo quando não há um conjunto de teste independente. Elas permitem usar todo o conjunto de dados para treino e teste de forma sistemática, reduzindo o viés na estimativa do erro.
Alternativa B — ❌ Incorreta
Matriz de probabilidades não é uma estratégia de estimativa de precisão preditiva; refere-se a representações de saída de probabilidades de classes, mas não um método de validação. Subamostragem aleatória pode ser uma técnica para lidar com desbalanceamento, mas não é uma estratégia formal de estimativa do erro de generalização como as da alternativa A.
Alternativa C — ❌ Incorreta
Troca de valores mais frequentes é uma técnica de imputação de dados ausentes ou de suavização, não de validação. Divisão do conjunto de teste é um conceito geral (separar uma parte para teste), mas não constitui uma estratégia nomeada e sistemática de estimativa; a mera divisão não garante estimativa robusta sem reamostragem.
Alternativa D — ❌ Incorreta
Retirada de dados ausentes é uma etapa de pré-processamento (limpeza), não de validação. Tabela de variância pode referir-se à análise de variância (ANOVA), que é uma ferramenta estatística para comparação de grupos, mas não é uma estratégia para estimar a precisão preditiva de um classificador.
PEGA ESSA DICA!
Ao estudar avaliação de modelos, foque nos métodos de reamostragem (validação cruzada k-fold, leave-one-out, bootstrap) pois são os mais cobrados. A banca costuma misturar termos de pré-processamento ou estatística descritiva com os verdadeiros métodos de estimativa. Fique atento a pares como "validação cruzada" e "leave-p-out" — eles andam juntos.