Questão de Algoritmos e Estrutura de Dados — Algoritmos — IV - UFG 2024
Algoritmos e Estrutura de Dados›Algoritmos
Código
qg121364
Banca
IV - UFG
Órgão
TJ-AC
Ano
2024
Nível
Superior
Cargo
CS-UFG - - Analista Judiciário - Analista de Ciência de Dados
Uma rede neural foi implementada a partir da arquitetura Multilayer Perceptron (MLP) e o conjunto de dados foi dividido em holdout com 50% para conjunto de treinamento, 30% para conjunto de validação e 20% para conjunto de teste. Se, durante o treinamento e a validação da referida rede ocorreu underfitting, dois fatores que podem ter condicionado tal fenômeno são:
Ainsuficiência de parâmetros e excesso de camadas.
Bexcesso de parâmetros e excesso de iterações.
Citerações insuficientes e amostragem dos dados.
Dexcesso de iterações e entrada não normalizada.
Revelar gabarito e comentário▾
GabaritoC — iterações insuficientes e amostragem dos dados.
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”.
Underfitting em Redes Neurais MLP
Gabarito: letra C. Underfitting ocorre quando o modelo é simples demais ou não treina o suficiente para capturar padrões nos dados. Iterações insuficientes impedem a convergência, e amostragem inadequada dos dados (ex.: treino pouco representativo) também leva a underfitting. A alternativa C combina essas duas causas corretamente.
A banca testa a distinção entre underfitting (modelo subajustado) e overfitting (sobreajuste). Enquanto underfitting exige mais capacidade ou treino, overfitting exige menos.
Underfitting (subajuste)
1Causas
Modelo simples demais
Insuficiência de parâmetros
Poucas camadas
Treinamento insuficiente
Iterações insuficientes
Amostragem não representativa
2Solução
Aumentar complexidade
Mais iterações
3Overfitting (sobreajuste)
Causas
Modelo complexo demais
Excesso de parâmetros
Excesso de camadas
Treinamento excessivo
Excesso de iterações
Solução
Reduzir complexidade
Regularização / parada precoce
LEVEL · soulevel.com.br
Alternativa A — ❌ Incorreta
Afirma que excesso de camadas condiciona underfitting. Na verdade, excesso de camadas (modelo mais complexo) tende a causar overfitting, não underfitting. Insuficiência de parâmetros realmente pode causar underfitting, mas o excesso de camadas contradiz essa lógica.
Alternativa B — ❌ Incorreta
Tanto excesso de parâmetros quanto excesso de iterações são causas típicas de overfitting, não de underfitting. Um modelo com muitos parâmetros pode memorizar os dados, e treinar por muitas épocas agrava o sobreajuste.
Alternativa C — ✅ Correta ⟵ GABARITO
Iterações insuficientes impedem que o modelo aprenda adequadamente, levando a underfitting. A amostragem dos dados, se não representativa ou mal particionada, também pode resultar em underfitting, pois o modelo não vê variabilidade suficiente para generalizar. Ambas são causas clássicas de subajuste.
SE LIGUE NESSA!
O conteúdo de apoio corrobora: "Underfitting: Modelo Simples Demais [...] Características Não Representativas" e "Iterações insuficientes" (não explícito, mas implícito na necessidade de treino adequado).
Alternativa D — ❌ Incorreta
Excesso de iterações causa overfitting, não underfitting. Entrada não normalizada pode dificultar a convergência, mas não é causa primária de underfitting; além disso, o erro está no excesso de iterações.
NÃO CAIA NESSA!
A banca inverte as causas: excesso de parâmetros/iterações causa overfitting, não underfitting. Candidatos confundem os dois fenômenos. Lembre-se: underfitting precisa de MAIS complexidade; overfitting precisa de MENOS.