Durante uma auditoria de desempenho operacional, uma equipe pretende construir um modelo preditivo para explicar o tempo
de processamento de operações fiscais (Y) a partir de 27 variáveis explicativas relacionadas a carga de trabalho, complexidade
dos casos, perfil dos auditores e uso de sistemas internos. Como há suspeita de multicolinearidade elevada entre algumas
variáveis, o auditor decide comparar dois métodos de regularização: Ridge e Lasso. Nesse contexto,

Question

Durante uma auditoria de desempenho operacional, uma equipe pretende construir um modelo preditivo para explicar o tempo
de processamento de operações fiscais (Y) a partir de 27 variáveis explicativas relacionadas a carga de trabalho, complexidade
dos casos, perfil dos auditores e uso de sistemas internos. Como há suspeita de multicolinearidade elevada entre algumas
variáveis, o auditor decide comparar dois métodos de regularização: Ridge e Lasso. Nesse contexto, Alternativa A: os métodos Lasso e Ridge utilizam exclusivamente penalização L2 para reduzir variáveis irrelevantes. Ou Alternativa B: o método Lasso tende a realizar seleção de variáveis, reduzindo alguns coeficientes a zero; o Ridge apenas encolhe coeficientes, mas não os elimina. Ou Alternativa C: o método Ridge tende a zerar coeficientes de variáveis redundantes, realizando seleção automática; o Lasso apenas reduz magnitudes. Ou Alternativa D: ambos os métodos sempre zeram coeficientes de variáveis colineares, resultando na exclusão automática de variáveis. Ou Alternativa E: ambos os métodos geram modelos mais complexos do que a regressão linear simples, independentemente dos dados.

Francisco Eduardo de Castro · Accepted Answer

Alternativa [B] o método Lasso tende a realizar seleção de variáveis, reduzindo alguns coeficientes a zero; o Ridge apenas encolhe coeficientes, mas não os elimina. A alternativa correta é a B.Essa questão aborda um tema central em modelos de regressão com regularização, técnica essencial quando lidamos com muitas variáveis (como as 27 citadas) ou quando há multicolinearidade (correlação alta entre as variáveis explicativas). A principal diferença entre os dois métodos reside na forma como eles "penalizam" os coeficientes para evitar o overfitting e lidar com a redundância:Lasso (Least Absolute Shrinkage and Selection Operator): Utiliza a penalização L1 (soma dos valores absolutos dos coeficientes). Por causa da geometria dessa penalização, o Lasso tem a propriedade única de conseguir zerar o coeficiente de variáveis menos importantes, realizando uma seleção automática de variáveis (feature selection).Ridge Regression: Utiliza a penalização L2 (soma dos quadrados dos coeficientes). O Ridge "encolhe" os coeficientes (faz com que fiquem muito próximos de zero), mas nunca os zera completamente. Todas as 27 variáveis permaneceriam no modelo, embora com pesos reduzidos.A: Incorreta. O Lasso utiliza penalização L1, enquanto o Ridge utiliza a L2.C: Incorreta. A descrição está invertida; é o Lasso que zera coeficientes, não o Ridge.D: Incorreta. O Ridge não zera coeficientes. Além disso, o comportamento do Lasso com variáveis altamente colineares pode ser instável (ele tende a escolher uma e zerar as outras arbitrariamente).E: Incorreta. Pelo contrário, a regularização visa reduzir a complexidade efetiva do modelo (diminuindo a variância) para que ele generalize melhor, tornando-o "mais simples" do ponto de vista estatístico do que uma regressão linear comum sem restrições.Dica para a prova: Para não esquecer: Lasso faz Seleção (L de L1 e S de Seleção). O Ridge apenas "encolhe".

🚀 Quer mais performance?

🚀 Quer mais performance?

Durante uma auditoria de desempenho operacional, uma equipe ...

Comentários

Clique para visualizar este comentário

Questões de assuntos semelhantes

Provas relacionadas