Questão de Algoritmos e Estrutura de Dados — Algoritmos — Instituto Consulplan 2023

Algoritmos de Aprendizagem de Máquina: Overfitting vs Overturning

Gabarito: letra C (Overturning). O ajuste excessivo de um algoritmo aos dados de treinamento, maximizando o desempenho nos exemplos disponíveis, é denominado Overturning (ou sobreajuste). Embora o termo mais disseminado na literatura seja overfitting, a banca adotou overturning como resposta, sendo este o conceito cobrado na questão.

A situação descrita no enunciado – otimizar o algoritmo para que ele se comporte perfeitamente em todos os exemplos de treino – caracteriza o sobreajuste: o modelo aprende detalhes e ruídos específicos dos dados de treinamento, perdendo a capacidade de generalização para novos dados.

Alternativa A — ❌ Incorreta (Poda)

Poda (pruning) é uma técnica utilizada para reduzir o sobreajuste, removendo partes desnecessárias do modelo (por exemplo, galhos de uma árvore de decisão). Não se trata do fenômeno em si, mas sim de uma ferramenta para combatê-lo.

Alternativa B — ❌ Incorreta (Overfitting)

Overfitting é o termo inglês consagrado para o sobreajuste. A banca, no entanto, considerou Overturning como a alternativa correta; logo, esta opção não corresponde ao gabarito oficial, embora seja sinônimo conceitual.

Alternativa C — ✅ Correta (Overturning)

Overturning é o termo empregado pela banca para designar o ajuste excessivo do algoritmo aos dados de treinamento, o que leva à perda de generalização. É a resposta oficial.

Alternativa D — ❌ Incorreta (Completude)

Completude refere-se, em diferentes contextos, à propriedade de um sistema ser capaz de representar todas as situações de interesse. Não se relaciona diretamente com o sobreajuste.

Alternativa E — ❌ Incorreta (Prevalência de classe)

Prevalência de classe é um conceito usado em problemas de classificação desbalanceada, onde uma classe aparece com frequência muito maior que as outras. Não diz respeito ao ajuste excessivo do modelo.

Gabarito: letra C.