Prévia do material em texto

Prova- 136: Práticas Avançadas em Modelos Supervisionados
Introdução
A prova foca em aplicações avançadas e em estratégias de ajuste de modelos supervisionados, explorando temas como regularização, redução de dimensionalidade, validação e métricas de desempenho.
Questões
1. O que é o Gradient Boosting e como ele melhora o desempenho dos modelos supervisionados?
a) O Gradient Boosting cria várias árvores de decisão de forma sequencial, ajustando cada árvore para corrigir os erros da anterior.
b) O Gradient Boosting combina múltiplos modelos em paralelo para melhorar o desempenho.
c) O Gradient Boosting usa redes neurais para treinar o modelo.
d) O Gradient Boosting é uma técnica de clustering não supervisionado.
e) O Gradient Boosting ajusta os dados de entrada antes de treinar o modelo.
2. Qual é a principal vantagem da técnica de PCA (Principal Component Analysis) em aprendizado supervisionado?
a) A PCA ajuda a melhorar a precisão do modelo, reduzindo a dimensionalidade dos dados.
b) A PCA é usada apenas para ajustar os parâmetros de modelos de redes neurais.
c) A PCA permite aumentar o número de características do modelo.
d) A PCA é um algoritmo de aprendizagem supervisionada para previsão de valores contínuos.
e) A PCA realiza a classificação de dados com base em um conjunto de atributos definidos manualmente.
3. O que é o conceito de underfitting em aprendizado supervisionado?
a) Quando o modelo é muito complexo e se ajusta bem aos dados de treinamento, mas não generaliza bem para novos dados.
b) Quando o modelo é simples demais e não captura os padrões dos dados de treinamento.
c) Quando o modelo está em um estado de overfitting.
d) Quando o modelo é otimizado para novas amostras, mas falha nos dados de treinamento.
e) Quando o modelo usa poucas variáveis para prever.
4. O que é uma função de perda em modelos supervisionados?
a) A função de perda é usada para determinar a complexidade do modelo.
b) A função de perda calcula o erro entre as previsões do modelo e os valores reais.
c) A função de perda ajusta os parâmetros do modelo para reduzir a variância.
d) A função de perda é usada para realizar a validação cruzada.
e) A função de perda aumenta o erro para melhorar a generalização do modelo.
5. O que é o conceito de learning rate (taxa de aprendizado) em algoritmos de otimização de modelos supervisionados?
a) A taxa de aprendizado define a quantidade de erro permitido durante o treinamento do modelo.
b) A taxa de aprendizado ajusta a complexidade do modelo.
c) A taxa de aprendizado determina a velocidade com que o modelo ajusta os parâmetros durante o treinamento.
d) A taxa de aprendizado aumenta a quantidade de dados utilizados para o treinamento.
e) A taxa de aprendizado ajusta a quantidade de rótulos utilizados no treinamento.
6. Como o XGBoost se diferencia do Gradient Boosting tradicional?
a) O XGBoost usa uma técnica de regularização para reduzir o overfitting.
b) O XGBoost utiliza uma abordagem em paralelo para melhorar a eficiência de treinamento.
c) O XGBoost é uma técnica de aprendizado não supervisionado.
d) O XGBoost usa menos árvores do que o Gradient Boosting.
e) O XGBoost é mais lento do que o Gradient Boosting.
7. O que é o conceito de classificação multiclasse?
a) A classificação multiclasse envolve a previsão de mais de duas classes para um modelo supervisionado.
b) A classificação multiclasse envolve a previsão de uma única classe para um modelo supervisionado.
c) A classificação multiclasse é utilizada apenas em modelos de redes neurais.
d) A classificação multiclasse utiliza apenas uma classe de rótulos para o treinamento.
e) A classificação multiclasse é uma técnica de redução de dimensionalidade.
8. O que é o conceito de feature engineering em aprendizado supervisionado?
a) O feature engineering envolve a criação e modificação de variáveis a partir dos dados brutos para melhorar o desempenho do modelo.
b) O feature engineering é um método de validação cruzada de dados.
c) O feature engineering envolve apenas a normalização dos dados.
d) O feature engineering é utilizado para treinar modelos não supervisionados.
e) O feature engineering ajusta automaticamente os parâmetros do modelo.
9. O que é uma matriz de confusão e como ela é útil para avaliação de modelos?
a) A matriz de confusão é usada para ajustar os parâmetros do modelo de forma que os erros sejam minimizados.
b) A matriz de confusão mostra a comparação entre os valores reais e as previsões do modelo, ajudando a avaliar a acurácia.
c) A matriz de confusão é uma técnica de regularização.
d) A matriz de confusão ajusta o modelo para reduzir o overfitting.
e) A matriz de confusão é usada apenas para modelos de regressão.
10. Como o modelo de regressão logística pode ser utilizado para classificação?
a) A regressão logística utiliza uma função logística para estimar a probabilidade de uma classe.
b) A regressão logística usa técnicas de agrupamento para separar as classes.
c) A regressão logística é uma técnica não supervisionada usada para prever valores contínuos.
d) A regressão logística utiliza redes neurais para determinar as classes.
e) A regressão logística não pode ser usada para problemas de classificação.
Gabarito e Justificativas
1. a) O Gradient Boosting constrói árvores de decisão sequenciais para corrigir os erros das anteriores, melhorando a precisão.
2. a) PCA reduz a dimensionalidade dos dados, ajudando a melhorar a precisão do modelo.
3. b) Underfitting ocorre quando o modelo é simples demais e não captura padrões nos dados de treinamento.
4. b) A função de perda calcula o erro entre as previsões do modelo e os valores reais.
5. c) A taxa de aprendizado determina a velocidade com que o modelo ajusta os parâmetros durante o treinamento.
6. a) O XGBoost adiciona regularização para reduzir o overfitting e melhora a eficiência do treinamento.
7. a) A classificação multiclasse prevê mais de duas classes.
8. a) Feature engineering envolve a criação e modificação de variáveis para melhorar o desempenho do modelo.
9. b) A matriz de confusão ajuda a avaliar a acurácia do modelo ao comparar as previsões com os valores reais.
10. a) A regressão logística usa uma função logística para estimar a probabilidade de uma classe.