O desempenho de modelos de aprendizado de máquina está intrinsecamente relacionado ao equilíbrio entre viés e variância. Modelos com alto viés tendem a simplificar excessivamente o problema, resultando em subajuste (underfitting), enquanto modelos com alta variância podem capturar ruído nos dados de treinamento, levando ao sobreajuste (overfitting). Para mitigar esses problemas, diversas técnicas de regularização podem ser empregadas, ajustando a complexidade do modelo e melhorando sua capacidade de generalização.
Considerando os conceitos de compensação viés-variância, sobreajuste, subajuste e técnicas de regularização, é correto afirmar que:

Question

A

o aumento do parâmetro de regularização (lambda ou alpha) reduz o viés do modelo ao permitir que ele capture padrões mais complexos, sendo recomendado para corrigir problemas de underfitting em redes neurais profundas;

B

a regularização L1 (Lasso) e a regularização L2 (Ridge) produzem resultados idênticos em termos de seleção de features, diferindo apenas na velocidade de convergência do algoritmo de otimização durante o treinamento;

C

a validação cruzada (cross-validation) é uma técnica de regularização que modifica a função de perda adicionando um termo de penalização aos coeficientes do modelo, reduzindo assim a variância sem alterar o viés;

D

modelos com sobreajuste apresentam alto viés e baixa variância, razão pela qual técnicas de regularização são aplicadas para aumentar a complexidade do modelo e melhorar seu desempenho no conjunto de treinamento;

E

o aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.

Incorreta. Gabarito oficial da banca:

Veja esse conteúdo explicado passo a passo em nossos cursos. Buscar curso

teste

Parabéns! Você acertou!

Mandou bem! Revise esse tema nos nossos cursos. Buscar curso

teste

Qconcursos · Accepted Answer

Alternativa [E] o aumento do parâmetro de regularização (lambda ou alpha) em modelos regularizados reduz a complexidade efetiva do modelo, aumentando o viés e reduzindo a variância, sendo uma estratégia eficaz contra overfitting, mas que pode levar a underfitting se aplicado excessivamente.  Gabarito: EFundamento decisivo: O elemento decisivo era identificar a consequência do aumento de lambda/alpha na regularização e confrontá-la com as alternativas. A opção correta é a que compatibiliza essa mudança com o gabarito oficial.Tema central: viés-variância e regularizaçãoAnálise das alternativasAErradaEstá errada porque atribui ao aumento da regularização o efeito oposto ao real. Aumentar lambda/alpha não reduz o viés nem permite ao modelo capturar padrões mais complexos; ao contrário, tende a restringir o modelo, aumentar o viés e reduzir a variância.BErradaEstá errada porque L1 e L2 não são idênticas quanto à seleção de features. Pela base, L1 tende a induzir esparsidade e pode zerar coeficientes, enquanto L2 tende a apenas encolhê-los, sem produzir o mesmo comportamento de seleção de variáveis.CErradaEstá errada porque confunde validação cruzada com regularização penalizada. Cross-validation é procedimento de avaliação e seleção de modelo ou de hiperparâmetros; não modifica a função de perda pela adição de termo de penalização aos coeficientes.DErradaEstá errada porque inverte dois conceitos centrais. Overfitting não corresponde a alto viés e baixa variância, mas sim a maior variância; além disso, regularização não aumenta a complexidade do modelo, e sim tende a reduzi-la.ECertaA alternativa E está correta porque descreve o efeito técnico esperado do aumento da força de regularização em modelos regularizados: a penalização impõe mais restrição aos parâmetros, reduz a complexidade efetiva do modelo e, com isso, desloca o equilíbrio para maior viés e menor variância. Esse movimento é justamente o que ajuda a combater overfitting; por outro lado, se a restrição for excessiva, o modelo pode ficar simples ou limitado demais, levando a underfitting.Pegadinha da questãoA questão explorou confusões clássicas: inverter o efeito de aumentar a regularização, trocar overfitting por alto viés e confundir validação cruzada com penalização da função de perda.Dica para questões semelhantesSe a questão falar em aumentar lambda/alpha, verifique primeiro se a alternativa reconhece redução da complexidade efetiva do modelo.Para decidir entre overfitting e underfitting, associe overfitting a maior variância e underfitting a maior viés.Diferencie técnica de penalização de técnica de avaliação: L1 e L2 alteram a otimização; cross-validation serve para avaliar e selecionar.

🚀 Mais performance?

🚀 Mais performance?

O desempenho de modelos de aprendizado de máquina está intri...

Gabarito comentado

Gabarito: E

Clique para visualizar este gabarito

Comentários

Clique para visualizar este comentário

Questões de assuntos semelhantes

Provas relacionadas