Introdução a Modelos Supervisionados e Técnicas de Avaliação(1)

Prévia do material em texto

Prova- 127: Introdução a Modelos Supervisionados e Técnicas de Avaliação
Introdução
Esta prova aborda conceitos básicos e avançados sobre modelos supervisionados, como regressão, classificação e as métricas de avaliação que ajudam a determinar o desempenho de um modelo.
Questões
1. Qual das opções descreve melhor um modelo de regressão linear?
a) Um modelo utilizado para classificação de categorias discretas.
b) Um modelo que mapeia entradas contínuas para saídas contínuas, com uma linha reta ajustada aos dados.
c) Um modelo que utiliza redes neurais profundas para realizar predições.
d) Um modelo de agrupamento que busca categorias em dados não rotulados.
e) Um modelo usado para prever variáveis categóricas, com várias opções de resposta.
2. Em um modelo de classificação supervisionada, qual é o objetivo principal?
a) Encontrar padrões em dados não rotulados.
b) Agrupar os dados em segmentos baseados em semelhanças.
c) Prever valores contínuos baseados em dados numéricos.
d) Atribuir rótulos a novas amostras de dados com base em exemplos rotulados.
e) Extrair características dos dados sem usar rótulos.
3. O que caracteriza a regressão logística?
a) Ela é usada exclusivamente para tarefas de agrupamento de dados.
b) Ela faz previsões em um intervalo contínuo, com valores binários como resultado.
c) Ela é um modelo de classificação usado para prever probabilidades binárias.
d) Ela usa uma linha reta para modelar a relação entre variáveis.
e) Ela envolve a classificação de dados em múltiplas categorias, mais de duas.
4. Qual é o princípio do algoritmo de Naive Bayes?
a) Classificar dados baseados em distâncias entre os pontos.
b) Classificar dados com base na independência condicional entre as variáveis.
c) Agrupar dados com base em sua similaridade.
d) Ajustar um modelo baseado na árvore de decisão para fazer predições.
e) Combinar várias previsões de modelos diferentes para criar uma única predição.
5. Em aprendizado supervisionado, o que é um conjunto de validação?
a) Conjunto de dados usado exclusivamente para treinar o modelo.
b) Conjunto de dados utilizado para otimizar os parâmetros do modelo e evitar overfitting.
c) Conjunto de dados que é ignorado durante o treinamento.
d) Conjunto de dados utilizado para prever novos valores.
e) Conjunto de dados usado para ajustar os pesos das entradas do modelo.
6. Qual é o significado de overfitting em modelos supervisionados?
a) Quando o modelo não consegue aprender o suficiente com os dados de treinamento.
b) Quando o modelo aprende detalhes muito específicos dos dados de treinamento, perdendo a capacidade de generalização.
c) Quando o modelo tem uma performance muito baixa nos dados de teste.
d) Quando o modelo não usa nenhuma técnica de regularização.
e) Quando o modelo não consegue convergir para uma solução durante o treinamento.
7. O que é o algoritmo de K-vizinhos mais próximos (K-NN)?
a) Um modelo de classificação que faz predições com base em uma combinação linear de variáveis.
b) Um modelo de aprendizado supervisionado que prevê a classe de um ponto de dados com base na classe de seus k vizinhos mais próximos.
c) Um modelo de regressão baseado em múltiplas árvores de decisão.
d) Um algoritmo que combina vários modelos de regressão linear.
e) Um modelo de classificação não supervisionado baseado em redes neurais.
8. Qual é o propósito da regularização em modelos supervisionados?
a) Aumentar a complexidade do modelo para captar mais detalhes dos dados.
b) Ajustar os parâmetros para evitar que o modelo se ajuste muito aos dados de treinamento e perca a capacidade de generalização.
c) Aumentar a precisão de um modelo ao modificar suas funções de ativação.
d) Ajustar os parâmetros dos dados de entrada para reduzir o erro de previsão.
e) Treinar o modelo usando dados não rotulados para reduzir o viés.
9. O que é o bagging em aprendizado supervisionado?
a) Uma técnica que combina várias versões de um modelo para criar um modelo único e robusto, reduzindo a variação.
b) Um método de redução de dimensionalidade.
c) Um processo de ajuste de pesos em redes neurais profundas.
d) Uma técnica de seleção de características para melhorar a performance.
e) Uma abordagem para melhorar a interpretabilidade de modelos.
10. O que significa a métrica F1-score?
a) A relação entre a precisão e a taxa de erro de um modelo.
b) A média harmônica entre precisão e recall, proporcionando uma métrica balanceada.
c) A taxa de acerto nas predições de classe positiva.
d) A taxa de erro no conjunto de dados de validação.
e) A área sob a curva ROC para modelos de classificação.
Gabarito e Justificativas
1. b) A regressão linear modela uma relação contínua entre variáveis, ajustando uma linha reta para os dados.
2. d) O objetivo da classificação supervisionada é atribuir rótulos a novas amostras com base em dados rotulados.
3. c) A regressão logística é usada para problemas de classificação binária, prevendo probabilidades.
4. b) O Naive Bayes classifica dados assumindo que as variáveis são independentes entre si, aplicando o teorema de Bayes.
5. b) O conjunto de validação é usado para ajustar os parâmetros e avaliar o desempenho do modelo sem usar o conjunto de teste.
6. b) Overfitting ocorre quando o modelo aprende detalhes muito específicos dos dados de treinamento, prejudicando a capacidade de generalização.
7. b) O K-NN classifica dados com base na classe dos seus k vizinhos mais próximos, sem fazer suposições sobre a forma dos dados.
8. b) A regularização controla a complexidade do modelo, evitando que ele se ajuste excessivamente aos dados de treinamento.
9. a) O bagging cria múltiplos modelos a partir de subconjuntos dos dados e combina suas previsões para reduzir a variação.
10. b) O F1-score é a média harmônica entre precisão e recall, balanceando ambas as métricas para avaliação do modelo.