Questão FC369899
Durante o treinamento de um modelo de aprendizado de máquina, percebe-se que o modelo tem uma alta precisão no conjunto de treinamento, mas uma baixa precisão para o conjunto de no
Inteligência Artificial (IA)
FGV · 2024
Durante o treinamento de um modelo de aprendizado de máquina, percebe-se que o modelo tem uma alta precisão no conjunto de treinamento, mas uma baixa precisão para o conjunto de novos dados.
Isso indica um(a)
- underfitting, já que a quantidade de dados é insuficiente, resultando em alta variabilidade nos resultados e baixa precisão no conjunto de teste.
- overfitting, já que o modelo é excessivamente ajustado aos dados de treinamento.
- normalização incorreta dos dados, já que o modelo é muito simples para capturar as relações subjacentes nos dados.
- escolha incorreta do algoritmo, já que isso resulta em baixa precisão no conjunto de treinamento e no conjunto de teste.
- falta de dados suficientes, já que resulta em desempenho insatisfatório tanto no treinamento quanto no teste.
Mostrar resposta e comentário
Gabarito
B
Comentário do professor
A resposta correta é overfitting. Trata-se de quando o modelo aprende não só o padrão, mas também o ruído específico do conjunto de treinamento, obtendo alta precisão nele e baixa em dados novos — ou seja, falha na generalização.
Isso costuma ocorrer com modelos de alta complexidade, poucas amostras ou muitas variáveis irrelevantes. Na decomposição do erro: \( \text{Erro}_{esperado} = \text{Viés}^2 + \text{Variância} + \text{Ruído} \), o overfitting está associado a alta variância.
Detecta‑se pela grande diferença entre desempenho em treino e em validação (ou teste) — por isso use validação cruzada para verificar generalização.
Para corrigir: aplicar regularização (L1/L2), reduzir a complexidade do modelo, aumentar a quantidade de dados ou usar early stopping, seleção de atributos e ensembles. Essas medidas reduzem a variância e melhoram a capacidade de generalizar.
Conteúdo do catálogo FC Concursos · Atualizado em