Questão de Algoritmos e Estrutura de Dados — Algoritmos — IV - UFG 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
qg121356
Banca
IV - UFG
Órgão
TJ-AC
Ano
2024
Nível
Superior
Cargo
CS-UFG - - Analista Judiciário - Analista de Ciência de Dados
No processo de otimização de redes neurais artificiais, diferentes métodos e técnicas são utilizados para determinar os melhores parâmetros do aprendizado. Para reduzir o overfitting, uma das técnicas amplamente utilizadas é a regularização, que apresenta como características:
Aadição de um termo que maximiza a função de custo e menor generalização.
Bredução dos pesos e maior resistência a ruídos no treinamento.
Caumento dos pesos e maior generalização por redução dos vieses.
Dredução dos pesos e menor generalização no aprendizado.
Revelar gabarito e comentário▾
GabaritoB — redução dos pesos e maior resistência a ruídos no treinamento.
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”.
Regularização em Redes Neurais
Gabarito: letra B. A regularização é uma técnica utilizada para reduzir o overfitting adicionando um termo de penalidade à função de custo, o que resulta na redução dos pesos da rede e melhora a generalização, tornando o modelo mais resistente a ruídos. As demais alternativas invertem os efeitos ou contradizem o propósito da regularização.
A regularização atua simplificando o modelo, reduzindo a magnitude dos pesos (redução dos pesos) e, com isso, aumentando a capacidade de generalização (menor erro em dados não vistos). Também torna o modelo mais robusto a ruídos nos dados de treinamento, evitando que o modelo se ajuste excessivamente a padrões espúrios.
Regularização (anti-overfitting)
1Mecanismo
Termo de penalidade na função de custo
Reduz magnitude dos pesos
2Efeitos
Maior generalização
Resistência a ruídos
Aumenta viés (trade-off bias-variância)
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Afirma que a regularização "maximiza a função de custo" e leva a "menor generalização". Na verdade, a regularização minimiza uma função de custo modificada (com termo de penalidade) e melhora a generalização. O termo adicionado penaliza pesos grandes, não maximiza o custo. Portanto, ambos os efeitos estão invertidos.
Alternativa B — ✅ Correta ⟵ GABARITO
Descreve corretamente a regularização: redução dos pesos (por meio da penalidade na função de custo) e maior resistência a ruídos (pois evita que o modelo se adapte excessivamente a variações aleatórias dos dados de treinamento). Esses são exatamente os benefícios esperados: modelo mais simples, com melhor generalização e menos overfitting.
Alternativa C — ❌ Incorreta
Propõe "aumento dos pesos" e "maior generalização por redução dos vieses". A regularização reduz os pesos, não os aumenta. Além disso, ela aumenta o viés (bias) para reduzir a variância, o que é o trade-off bias-variância. Reduzir os vieses seria o oposto do que a regularização faz. Portanto, a afirmação é incorreta.
Alternativa D — ❌ Incorreta
Diz "redução dos pesos e menor generalização". Embora a redução dos pesos seja um efeito correto, o objetivo e resultado da regularização é maior generalização, não menor. A menor generalização é justamente o problema do overfitting, que a regularização busca combater. Logo, a segunda parte está errada.
PEGA ESSA DICA!
Lembre-se do trade-off bias-variância: a regularização adiciona viés para diminuir a variância, resultando em um modelo mais generalizável. Reduzir os pesos é a forma mais comum de regularização (L2).