Análise das Alternativas Incorretas



B) Reduzir a dimensionalidade: Isso é feito por técnicas como PCA (Análise de Componentes Principais) ou seleção de variáveis (feature selection), não pela divisão dos dados.

C) Aumentar a variância: Na verdade, queremos o contrário. Alta variância é sinal de overfitting (o modelo é sensível demais a ruídos do treino). Queremos um equilíbrio entre viés e variância.

D) Garantir normalidade dos resíduos: Essa é uma suposição clássica da regressão linear estatística para testes de hipótese, mas não é o motivo da separação de conjuntos em machine learning.

E) Reduzir o viés do estimador: O viés está ligado à simplicidade do modelo (Underfitting). Separar os dados ajuda a medir o viés, mas a separação em si não o reduz (isso exigiria um modelo mais complexo ou melhores variáveis).

A) ✔ Correta

Essa é exatamente a finalidade da divisão:

• Treino → aprender
• Validação → ajustar sem “viciar”
• Teste → medir desempenho real

Sem isso, o modelo pode ir bem nos dados conhecidos, mas mal em dados novos (overfitting).

B) Errada porque:

• Dimensionalidade (quantidade de variáveis) é tratada com técnicas como:
• PCA
• Seleção de variáveis
• Dividir dados não reduz número de variáveis, só separa os dados.

Ou seja, não tem relação direta.

C) Errada porque:

• Na prática, queremos equilibrar viés e variância, não aumentar variância.
• Separar dados não tem como objetivo mexer diretamente nisso.

Inclusive, overfitting está ligado a alta variância, que é algo que queremos evitar.

D) Errada porque:

• Normalidade dos resíduos é uma preocupação de modelos estatísticos clássicos (como regressão linear).
• E mesmo nesses casos, dividir dados não garante normalidade.

A normalidade depende dos dados e do modelo, não da divisão.

E) Errada porque:

• Viés do estimador está ligado ao método de estimação (ex: regressão, regularização).
• Separar dados não altera diretamente o viés dos coeficientes.

Serve para avaliar o modelo, não para ajustar propriedades estatísticas dos estimadores.

​A) avaliar desempenho generalizável e evitar overfitting. Correta.

(...)

Separar os dados serve justamente para treinar o modelo em uma parte, validar ajustes e testar em dados inéditos, garantindo que ele funcione bem no mundo real e não decore apenas o treino (overfitting).

(...)

​B) reduzir a dimensionalidade dos preditores. Incorreta.

(...)

Reduzir a dimensionalidade é o papel de técnicas como PCA ou seleção de variáveis, e não a divisão de bases de dados.

(...)

​C) aumentar a variância do modelo. Incorreta.

(...)

O objetivo da validação e do teste é justamente controlar e reduzir a variância e o erro de generalização, e não aumentá-los.

(...)

​D) garantir normalidade dos resíduos. Incorreta.

(...)

A normalidade dos resíduos é uma premissa de modelos de regressão linear clássicos, que é testada por meio de análises estatísticas dos erros, não pela divisão dos conjuntos de dados.

(...)

​E) reduzir o viés do estimador dos coeficientes. Incorreta.

(...)

O viés está ligado à complexidade ou à especificação do modelo (como adicionar ou remover variáveis), e não à forma como se dividem os conjuntos de dados.

(...)

Fonte: Gemini