Questão de Engenharia de Software — Inteligencia Artificial — FUVEST 2025
Engenharia de SoftwareInteligencia Artificial
- Código
- qg502458
- Banca
- FUVEST
- Órgão
- USP
- Ano
- 2025
- Nível
- Superior
- Cargo
- Analista de Sistemas
Em aprendizado de máquina, a calibração de hiperparâmetros é um processo importante para otimizar o desempenho de um modelo. Considere o seguinte cenário: Você está treinando um modelo de Random Forest para prever o preço de imóveis e percebe que o desempenho do modelo não está satisfatório. Após uma análise, você decide calibrar os hiperparâmetros para tentar melhorar o modelo. Para isso, você seleciona os seguintes hiperparâmetros para calibração:• n_estimators (número de árvores na floresta);• max_depth (profundidade máxima de cada árvore);• min_samples_split (número mínimo de amostras necessárias para dividir um nó).Assinale a alternativa que apresenta a melhor abordagem para encontrar a combinação ideal desses hiperparâmetros.
- AAjustar os hiperparâmetros manualmente, testando diferentes combinações de uma única vez, sem validação cruzada, até encontrar uma configuração que melhore o desempenho.
- BUtilizar a técnica de pesquisa aleatória (Random Search), testando uma combinação aleatória de valores para os hiperparâmetros, sem avaliar o desempenho em diferentes subdivisões do conjunto de dados.
- CFocar apenas no parâmetro n_estimators e testar os valores 50, 100 e 150, já que esse é o parâmetro mais importante para a Random Forest.
- DUsar a técnica de pesquisa em grade (Grid Search), testando todas as combinações possíveis de valores para n_estimators, max_depth e min_samples_split, e avaliar a performance a partir da validação cruzada.
- EManter os hiperparâmetros padrões da biblioteca e esperar que o modelo se ajuste automaticamente, pois os hiperparâmetros padrões funcionam bem na maioria dos casos.