Uma plataforma de e-commerce deseja analisar
automaticamente as avaliações deixadas pelos clientes nos
produtos para determinar se são positivas ou negativas. Para
isso, a equipe de ciência de dados está treinando um modelo
de aprendizado de máquina para análise de sentimentos.
Dado que as avaliações são textos não estruturados, a equipe
experimentou diferentes métodos de representação vetorial
para transformar os textos em formatos que o modelo pode
processar. Após testar diferentes abordagens, eles obtiveram
os seguintes resultados em um modelo de classificação de
sentimentos:Com base nos resultados apresentados, assinale a alternativa
que descreve a melhor escolha de representação vetorial para
este problema e sua justificativa.

Question

Uma plataforma de e-commerce deseja analisar
automaticamente as avaliações deixadas pelos clientes nos
produtos para determinar se são positivas ou negativas. Para
isso, a equipe de ciência de dados está treinando um modelo
de aprendizado de máquina para análise de sentimentos.
Dado que as avaliações são textos não estruturados, a equipe
experimentou diferentes métodos de representação vetorial
para transformar os textos em formatos que o modelo pode
processar. Após testar diferentes abordagens, eles obtiveram
os seguintes resultados em um modelo de classificação de
sentimentos:Com base nos resultados apresentados, assinale a alternativa
que descreve a melhor escolha de representação vetorial para
este problema e sua justificativa. Alternativa A: Bag of Words é a melhor escolha, pois obteve a maior
acurácia nos dados de treinamento, garantindo que o
modelo tenha aprendido melhor os padrões do conjunto
de dados. Ou Alternativa B: TF-IDF é superior às outras técnicas, pois atribui pesos
mais altos às palavras raras e, por isso, obteve um
pequeno ganho de acurácia nos dados de teste em
comparação ao BoW. Ou Alternativa C: Word2Vec (CBOW) é inferior ao BoW e ao TF-IDF, pois não
captura bem as características estatísticas das palavras, o
que resulta em modelos menos precisos para tarefas de
classificação de sentimentos. Ou Alternativa D: Bag of Words e Word2Vec devem ser combinados para
obter um modelo híbrido, pois BoW traz alta acurácia e
Word2Vec melhora a generalização, compensando as
fraquezas de cada abordagem. Ou Alternativa E: BERT (Transformers) é a melhor escolha, pois teve
desempenho mais equilibrado entre os dados de
treinamento e teste, indicando que o modelo não está
sofrendo de sobreajuste e captura melhor o contexto do
texto.

oliveira · Accepted Answer

Alternativa [E] BERT (Transformers) é a melhor escolha, pois teve
desempenho mais equilibrado entre os dados de
treinamento e teste, indicando que o modelo não está
sofrendo de sobreajuste e captura melhor o contexto do
texto. Alto desempenho no treinamento e baixo desempenho nos testes = Sobreajuste (Overfitting)Baixo desempenho no treinamento e baixo desempenho nos testes = Subajuste (Underfitting) Nesta questão, o BoW e o TF-IDF estão apresentando tendência de overfitting, pois possuem alto desempenho no treinamento e, relativamente, baixo desempenho nos testes. Portanto, não devem ser nossas escolhas. No caso do CBOW e do BERT, ambos possuem um desempenho bom nos treinamentos, havendo uma diferença no desempenho do teste, onde o BERT se sobresai. Logo, gabarito E.

🚀 Mais performance?

🚀 Mais performance?

Uma plataforma de e-commerce deseja analisar automaticament...

Comentários

Clique para visualizar este comentário

Questões de assuntos semelhantes

Provas relacionadas