Questão de Engenharia de Software — Inteligencia Artificial — FUNDATEC 2025
Engenharia de Software›Inteligencia Artificial
Código
qg477895
Banca
FUNDATEC
Órgão
Prefeitura de Porto Alegre - RS
Ano
2025
Nível
Superior
Cargo
Auditor Fiscal da Receita Municipal - Bloco II
As técnicas de regressão são amplamente utilizadas para modelar a relação entre variáveis e realizar previsões contínuas em aprendizado de máquina. Sobre as diferentes técnicas de regressão, assinale a alternativa correta.
ARegressão Polinomial é uma técnica exclusiva para análise categórica de variáveis.
BRegressão Linear é adequada apenas para problemas não lineares, devido à sua simplicidade.
CRegressão Logística é uma técnica de regressão apropriada para prever valores contínuos em vez de classes.
DRegressão Lasso é uma variante da regressão linear que elimina a necessidade de regularização dos coeficientes.
EA regressão Ridge adiciona uma penalidade baseada na soma dos quadrados dos coeficientes, sendo útil para reduzir overfitting.
Revelar gabarito e comentário▾
GabaritoE — A regressão Ridge adiciona uma penalidade baseada na soma dos quadrados dos coeficientes, sendo útil para reduzir 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”.
Regressão em aprendizado de máquina
Gabarito: letra E. A regressão Ridge adiciona uma penalidade baseada na soma dos quadrados dos coeficientes, técnica de regularização L2 que reduz o overfitting ao encolher os coeficientes — essa é a única alternativa que descreve corretamente uma técnica de regressão.
A questão testa a compreensão das principais técnicas de regressão e suas aplicações. Vamos analisar cada alternativa:
Alternativa A — ❌ Incorreta
Afirma que a regressão polinomial é exclusiva para análise categórica. Na verdade, a regressão polinomial é uma extensão da regressão linear para modelar relações não lineares, utilizando potências das variáveis independentes (ex.: x², x³) e lida com variáveis contínuas, não categóricas. Análise categórica é típica de classificação.
Alternativa B — ❌ Incorreta
Diz que a regressão linear é adequada apenas para problemas não lineares. O oposto é verdadeiro: a regressão linear modela relações lineares entre variáveis. Para problemas não lineares, são necessárias transformações ou outros modelos.
Alternativa C — ❌ Incorreta
Afirma que a regressão logística prevê valores contínuos. Apesar do nome, regressão logística é um algoritmo de classificação binária (ou multiclasse), que estima a probabilidade de pertencimento a uma classe — o resultado é uma categoria, não um valor contínuo. A saída é uma probabilidade transformada em classe por um limiar.
Alternativa D — ❌ Incorreta
Afirma que a regressão Lasso elimina a necessidade de regularização. Na verdade, Lasso (regularização L1) adiciona uma penalidade proporcional à soma dos valores absolutos dos coeficientes, sendo ela própria uma técnica de regularização que ajuda a evitar overfitting e pode zerar coeficientes (seleção de atributos).
Alternativa E — ✅ Correta ⟵ GABARITO
A regressão Ridge (regularização L2) adiciona à função de custo uma penalidade igual à soma dos quadrados dos coeficientes multiplicada por um hiperparâmetro λ. Essa penalidade encolhe os coeficientes, reduzindo a variância do modelo e, consequentemente, o overfitting. É uma técnica clássica de regularização.
PEGA ESSA DICA!
Para fixar: Ridge → L2 (soma dos quadrados); Lasso → L1 (soma dos valores absolutos). Ambos são regularizações; nenhum elimina regularização. E regressão logística é CLASSIFICAÇÃO, sempre.