AdaBoost e redução de complexidade computacional
Gabarito: letra C. A poda (pruning) é a técnica adequada para reduzir a complexidade computacional de um modelo ensemble como o AdaBoost, removendo classificadores menos relevantes sem perda significativa de precisão.
O problema descrito é que o modelo AdaBoost com SVM tem alta precisão, mas exige recursos computacionais além da plataforma disponível. Para contornar isso, é necessário simplificar o modelo. A poda (pruning) é uma técnica clássica em aprendizado de máquina para reduzir o tamanho de modelos, como árvores de decisão ou ensembles, eliminando componentes que contribuem pouco para a performance. No AdaBoost, isso pode ser feito removendo alguns classificadores fracos ou ajustando seus pesos, reduzindo o custo computacional.
Alternativa A — ❌ Incorreta
"Boosting parcial" não é uma técnica padrão em aprendizado de máquina. O termo não se refere a um método reconhecido para redução de complexidade de modelos ensemble.
Alternativa B — ❌ Incorreta
"Compressão" é um termo genérico, mas não é uma técnica específica para simplificar modelos de aprendizado de máquina. Embora exista compressão de modelos (como quantização), o nome mais comum e adequado para o contexto de ensembles é "poda".
Alternativa C — ✅ Correta ⟜ GABARITO
A poda (pruning) é a técnica correta. Ela reduz a complexidade ao remover classificadores menos importantes do ensemble, mantendo a precisão geral. É amplamente utilizada em algoritmos como AdaBoost e árvores de decisão.
Alternativa D — ❌ Incorreta
"Boosting suavizado" não é uma técnica reconhecida. O termo pode ser confundido com regularização, mas não é o nome padrão para redução de complexidade de modelos.
Gabarito: letra C — poda (pruning).