Questão de Algoritmos e Estrutura de Dados — Algoritmos — IV - UFG 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
qg121362
Banca
IV - UFG
Órgão
TJ-AC
Ano
2024
Nível
Superior
Cargo
CS-UFG - - Analista Judiciário - Analista de Ciência de Dados
Random Forest são algoritmos de aprendizado de máquina utilizados para classificação ou regressão, sendo vantajoso em relação às árvores de decisão no caso de
Acusto computacional reduzido.
Bconjunto de dados com propensão a overfitting.
Cconjunto de dados reduzido.
Dnúmero elevado de classes.
Revelar gabarito e comentário▾
GabaritoB — conjunto de dados com propensão a overfitting.
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”.
Random Forest e Árvores de Decisão
Gabarito: letra B. A principal vantagem do Random Forest sobre uma única árvore de decisão é a redução do overfitting (sobreajuste). Enquanto árvores de decisão tendem a se ajustar excessivamente aos dados de treino, o Random Forest, como um conjunto de múltiplas árvores com variação controlada, melhora a generalização e é mais robusto a ruídos.
O Random Forest é um algoritmo de aprendizado supervisionado que constrói várias árvores de decisão durante o treinamento e combina suas saídas (por votação ou média). Essa estratégia reduz a variância sem aumentar significativamente o viés, combatendo o overfitting que ocorre em árvores profundas.
Random Forest vs Árvore de Decisão
1Random Forest
Conjunto (ensemble) de árvores
Reduz variância
Combate overfitting
Custo computacional maior
2Árvore de Decisão
Modelo único
Alta variância
Propenso a overfitting
Custo computacional menor
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
O Random Forest tem custo computacional maior do que uma única árvore de decisão, pois precisa treinar e armazenar múltiplas árvores. Não é vantajoso quando o objetivo é reduzir custo computacional.
Alternativa B — ✅ Correta ⟵ GABARITO
A principal vantagem do Random Forest é justamente lidar com conjuntos de dados propensos a overfitting. Enquanto uma única árvore pode se superajustar, o ensemble reduz a variância e produz um modelo mais estável. O material de apoio destaca que árvores de decisão sofrem com superadaptação, e o Random Forest mitiga esse problema.
Alternativa C — ❌ Incorreta
Para conjuntos de dados reduzidos, uma única árvore de decisão pode ser suficiente e mais simples. O Random Forest tende a ser mais útil em conjuntos de dados médios ou grandes, onde o overfitting é mais provável.
Alternativa D — ❌ Incorreta
Número elevado de classes não é o principal diferencial do Random Forest em relação a árvores de decisão. Ambos os algoritmos conseguem lidar com múltiplas classes, mas a vantagem do Random Forest está na redução de overfitting, não no número de classes.