https://youtu.be/u3fBc8aT0Fc

Vamos analisar os métodos:

• Ridge (L2): reduz os coeficientes, mas não zera nenhum deles — mantém todas as variáveis no modelo.
• Lasso (L1): pode reduzir alguns coeficientes a zero, realizando seleção de variáveis.

• A ❌: descreve o comportamento invertido (atribui seleção ao Ridge).
• B ❌: ambos zerarem coeficientes não é verdade.
• C ❌: não necessariamente geram modelos mais complexos.
• D ❌: Lasso usa penalização L1, não L2.
• E ✅: descrição correta dos métodos.

O método Lasso tende a zerar coeficientes (seleção de variáveis), enquanto o Ridge apenas reduz (encolhe) os coeficientes, sem eliminá-los.

Esta é uma questão clássica sobre Regressão Regularizada, um tema recorrente em provas de Ciência de Dados e Estatística voltadas para o setor público (como Receita Federal ou órgãos de controle). Quando temos muitas variáveis (27, no caso) e multicolinearidade, os modelos de mínimos quadrados ordinários (MQO) tornam-se instáveis.

Para entender as alternativas, precisamos diferenciar os mecanismos de penalização:

• Efeito: Ela "encolhe" os coeficientes em direção a zero, mas nunca os zera exatamente.
• Uso: É excelente para lidar com multicolinearidade, pois distribui o "peso" entre as variáveis correlacionadas, mantendo todas no modelo.

• Efeito: Devido à geometria da sua restrição (que possui "quinas" nos eixos), o Lasso consegue zerar coeficientes de variáveis menos importantes.
• Uso: Funciona como uma seleção automática de variáveis (feature selection), gerando modelos mais simples (parsimoniosos).

• A) Incorreta. Inverteu os conceitos. O Lasso zera coeficientes; o Ridge apenas reduz magnitudes.
• B) Incorreta. O Ridge não zera coeficientes; ele apenas os mantém pequenos.
• C) Incorreta. Pelo contrário, o objetivo da regularização é reduzir a variância e evitar o overfitting, resultando em modelos que generalizam melhor (muitas vezes menos complexos em termos de coeficientes efetivos).
• D) Incorreta. O Lasso utiliza a penalização L1 O Ridge utiliza a L2.
• E) Correta. Define perfeitamente o comportamento dos dois métodos: Lasso seleciona variáveis (zera coeficientes), enquanto Ridge apenas encolhe (shrinkage) sem eliminar.

Resposta Correta: Alternativa E.

Para memorizar:

• Lasso = Limpa (tira as variáveis fora, zerando-as).
• Ridge = Reduz (diminui o tamanho, mas elas continuam lá).

A o método Ridge tende a zerar coeficientes de variáveis redundantes, realizando seleção automática; o Lasso apenas reduz magnitudes.

ERRADO.

• Ridge (L2) -> REDUZ os coeficientes.
• Lasso (L1) -> ZERA coeficientes de variáveis irrelevantes ou redundantes.

B ambos os métodos sempre zeram coeficientes de variáveis colineares, resultando na exclusão automática de variáveis.

ERRADO.

• Ridge (L2) -> REDUZ os coeficientes, MAS NÃO OS ZERA.

C ambos os métodos geram modelos mais complexos do que a regressão linear simples, independentemente dos dados.

ERRADO.

• técnicas de regularização são para LIMITAR a complexidade do modelo, e não gerar um modelo mais complexo.

D os métodos Lasso e Ridge utilizam exclusivamente penalização L2 para reduzir variáveis irrelevantes.

ERRADO.

• Ridge -> penalidade L2
• Lasso -> penalidade L1

E o método Lasso tende a realizar seleção de variáveis, reduzindo alguns coeficientes a zero; o Ridge apenas encolhe coeficientes, mas não os elimina.

CERTO.

• Lasso (L1): é útil para seleção de características/recursos (feature selection). Consegue ZERAR os coeficientes de variáveis irrelevantes ou redundantes.
• Ridge (L2) -> REDUZ os coeficientes, MAS NÃO OS ZERA.

Alternativa A: Incorreta.

(...)

O comportamento descrito está trocado. É o método Lasso que tende a zerar coeficientes de variáveis redundantes (fazendo seleção automática), enquanto o Ridge apenas reduz as magnitudes sem eliminá-las completamente.

(...)

​Alternativa B: Incorreta.

(...)

Nenhum dos dois métodos sempre zera os coeficientes de variáveis colineares de forma automática em qualquer cenário; o Ridge, por exemplo, distribui o peso entre variáveis colineares sem anulá-las.

(...)

​Alternativa C: Incorreta.

(...)

Os métodos de regularização (penalização) servem justamente para simplificar o modelo e evitar o sobreajuste (overfitting), gerando modelos mais controlados em comparação à regressão linear simples quando há muitas variáveis.

(...)

​Alternativa D: Incorreta.

(...)

O Lasso utiliza penalização L1 (baseada no valor absoluto dos coeficientes) e o Ridge utiliza penalização L2 (baseada nos quadrados dos coeficientes). Portanto, eles não utilizam exclusivamente L2.

(...)

​Alternativa E (Gabarito): Correta.

(...)

O método Lasso (penalização L1) consegue reduzir alguns coeficientes exatamente a zero, realizando a seleção de variáveis. Já o método Ridge (penalização L2) encolhe os coeficientes aproximando-os de zero, mas raramente os elimina por completo.

(...)

Fonte: Gemini