Métodos de Previsão Estatística e Modelagem em Machine Learning

Prévia do material em texto

Prova 48: Métodos de Previsão Estatística e Modelagem em Machine Learning
Introdução
Neste conjunto de questões, vamos explorar os métodos estatísticos aplicados para prever resultados e modelar dados complexos em Machine Learning. As questões cobrem tópicos sobre análise preditiva, técnicas de regularização, e abordagens para otimização de modelos.
Questões
1. Qual é a principal vantagem de usar Modelos de Machine Learning Ensemble como o Gradient Boosting?
a) Ele é mais simples e mais rápido de treinar que modelos individuais.
b) Ele combina múltiplos modelos fracos para criar um modelo forte e geralmente melhora a precisão.
c) Ele requer menos dados para treinamento em comparação com outros modelos.
d) Ele é usado exclusivamente para problemas de regressão.
e) Ele ignora a interação entre variáveis no processo de treinamento.
2. Em um modelo de Random Forest, como é feito o processo de bagging (Bootstrap Aggregating)?
a) Utiliza apenas uma árvore de decisão para classificar as instâncias.
b) Cria várias instâncias do modelo e as combina para melhorar a acurácia.
c) Usa uma única instância do modelo para classificar múltiplos conjuntos de dados.
d) Ajusta os parâmetros do modelo de forma iterativa durante o treinamento.
e) Utiliza uma rede neural para classificar as instâncias.
3. O que é um erro de generalização?
a) O erro causado por uma falha na execução do modelo durante o treinamento.
b) O erro que ocorre quando o modelo apresenta um bom desempenho apenas nos dados de treinamento e falha nos dados de teste.
c) O erro causado por um modelo muito complexo.
d) O erro que ocorre quando os dados de entrada são mal preparados para o modelo.
e) O erro causado pela falta de variáveis no modelo.
4. O que significa overfitting em Machine Learning?
a) O modelo não é complexo o suficiente e não consegue aprender as nuances dos dados.
b) O modelo é treinado com dados suficientes, mas não consegue generalizar para dados não vistos.
c) O modelo é ajustado excessivamente aos dados de treinamento e não funciona bem com dados novos.
d) O modelo treina rapidamente e precisa de menos dados para funcionar bem.
e) O modelo é incapaz de aprender de forma eficiente a partir dos dados.
5. Qual é a finalidade do Método K-means em análise de dados?
a) Identificar a relação entre variáveis dependentes e independentes.
b) Realizar a análise de séries temporais para prever o futuro.
c) Agrupar dados em clusters, com base em características semelhantes.
d) Classificar dados em categorias específicas, com base em um conjunto de rótulos.
e) Criar um modelo de predição baseado em uma rede neural.
6. Qual é o objetivo do tuning de hiperparâmetros no treinamento de um modelo de Machine Learning?
a) Ajustar os dados de entrada para melhorar a precisão.
b) Ajustar as variáveis independentes usadas pelo modelo.
c) Ajustar os parâmetros do modelo para melhorar seu desempenho em novos dados.
d) Aumentar a complexidade do modelo para melhorar a performance.
e) Ajustar a quantidade de dados rotulados utilizados no treinamento.
7. O que é o conceito de métrica de erro em um modelo de Machine Learning?
a) Um método para avaliar a importância das variáveis independentes.
b) Um valor calculado para medir o desempenho do modelo em termos de precisão ou erro.
c) A quantidade de dados de entrada utilizados para o treinamento do modelo.
d) Uma medida da complexidade do modelo.
e) A quantidade de iterações necessárias para treinar o modelo.
8. Em um problema de classificação binária, qual métrica é mais apropriada para avaliar o desempenho do modelo, especialmente quando há um desequilíbrio nas classes?
a) Acurácia.
b) Precisión e Recall.
c) Coeficiente de Determinação (R²).
d) Erro quadrático médio (MSE).
e) A curva ROC.
9. O que significa regularização em Machine Learning?
a) O processo de tornar um modelo mais simples, penalizando coeficientes de grande magnitude para evitar overfitting.
b) O processo de aumentar a complexidade do modelo para melhorar seu desempenho.
c) O processo de agregar diferentes modelos para melhorar a performance.
d) O processo de diminuir a quantidade de dados para reduzir o custo computacional.
e) O processo de ajustar a quantidade de camadas em uma rede neural.
10. O que caracteriza um modelo supervisionado em Machine Learning?
a) Ele aprende com dados rotulados para fazer previsões sobre dados novos.
b) Ele aprende sem dados rotulados e tenta identificar padrões nos dados.
c) Ele utiliza um conjunto de dados de treinamento com a mesma distribuição do conjunto de teste.
d) Ele precisa de um conjunto de dados de entrada sem qualquer rótulo.
e) Ele usa dados rotulados apenas para reduzir a complexidade do modelo.
Gabarito e Justificativas
1. b) O Gradient Boosting combina múltiplos modelos fracos para formar um modelo forte, geralmente melhorando a acurácia e reduzindo erros.
2. b) O bagging no Random Forest envolve a criação de várias instâncias do modelo e a combinação delas para melhorar a acurácia do modelo de predição.
3. b) O erro de generalização ocorre quando o modelo apresenta um bom desempenho nos dados de treinamento, mas falha em generalizar para dados novos.
4. c) O overfitting ocorre quando o modelo é ajustado excessivamente aos dados de treinamento e não consegue generalizar para dados não vistos, resultando em um baixo desempenho com novos dados.
5. c) O K-means é um algoritmo de clustering usado para agrupar dados em diferentes clusters com base em suas características semelhantes.
6. c) O tuning de hiperparâmetros ajusta os parâmetros do modelo, como taxa de aprendizado ou número de árvores, para melhorar o desempenho do modelo em novos dados.
7. b) A métrica de erro mede o desempenho do modelo, calculando a diferença entre as previsões e os valores reais, geralmente em termos de precisão ou erro.
8. b) Precisión e Recall são métricas mais apropriadas para problemas de classificação binária, especialmente quando há desequilíbrio entre as classes.
9. a) A regularização é o processo de penalizar coeficientes grandes em um modelo para evitar overfitting e tornar o modelo mais simples e generalizável.
10. a) Modelos supervisionados aprendem com dados rotulados, onde o objetivo é fazer previsões sobre dados novos com base nos rótulos conhecidos.