Fundamentos e Desafios de Modelos Supervisionados

Prévia do material em texto

Prova- 140: Fundamentos e Desafios de Modelos Supervisionados
Introdução
Esta prova aborda fundamentos e desafios comuns de modelos supervisionados, incluindo tópicos como underfitting, overfitting, e as abordagens de validação e avaliação de desempenho.
Questões
1. O que caracteriza um modelo de regressão linear simples?
a) Ele utiliza múltiplas variáveis dependentes.
b) Ele descreve a relação linear entre uma variável dependente e uma variável independente.
c) Ele faz previsões com base em distâncias euclidianas.
d) Ele usa uma função de ativação sigmoide para realizar a previsão.
e) Ele aplica regularização para melhorar a acurácia.
2. Quando usar Árvores de Decisão é mais eficaz em relação a outros modelos?
a) Quando as variáveis de entrada são contínuas.
b) Quando a relação entre as variáveis é complexa e não linear.
c) Quando o objetivo é reduzir o número de divisões.
d) Quando se busca um modelo altamente interpretável.
e) Quando a variável dependente tem muitas classes.
3. O que é overfitting e qual é uma abordagem comum para evitá-lo?
a) Overfitting ocorre quando o modelo é simples demais. Uma abordagem para evitá-lo é usar mais dados de treinamento.
b) Overfitting ocorre quando o modelo não se ajusta aos dados de treinamento. A melhor maneira de evitar overfitting é usar validação cruzada.
c) Overfitting ocorre quando o modelo se ajusta muito bem aos dados de treinamento, mas falha em generalizar. Pode ser evitado com técnicas de regularização.
d) Overfitting é a situação em que o modelo faz previsões perfeitas, mas isso não pode ser evitado.
e) Overfitting é quando o modelo não é capaz de aprender qualquer padrão nos dados.
4. O que o SVM (Support Vector Machine) busca maximizar ao realizar a classificação?
a) A diferença entre as variáveis independentes e dependentes.
b) A distância entre os dados mais próximos das classes.
c) A precisão das previsões no conjunto de treinamento.
d) A probabilidade de erro em previsões de teste.
e) O número de divisões realizadas pela máquina de vetores.
5. Quando se aplica regularização L1 em um modelo, qual é o seu efeito?
a) Ela reduz a importância de algumas variáveis, forçando algumas delas a zero.
b) Ela aumenta a complexidade do modelo para melhorar a acurácia.
c) Ela penaliza grandes coeficientes de forma quadrática.
d) Ela adiciona mais variáveis ao modelo.
e) Ela elimina todas as variáveis irrelevantes do modelo.
6. O que é a métrica de precisão em modelos de classificação?
a) A proporção de previsões corretas feitas pelo modelo.
b) A proporção de exemplos classificados corretamente como positivos.
c) A proporção de exemplos negativos classificados como negativos.
d) A capacidade do modelo de generalizar para novos dados.
e) A quantidade de erros cometidos pelo modelo.
7. O que caracteriza um modelo paramétrico?
a) Ele possui uma estrutura flexível e complexa.
b) Ele tem um número fixo de parâmetros que são ajustados durante o treinamento.
c) Ele pode ter uma estrutura simples, sem parâmetros ajustáveis.
d) Ele não requer dados para fazer previsões.
e) Ele não pode ser usado em tarefas de classificação.
8. Como K-fold Cross-validation ajuda a melhorar a performance do modelo?
a) Ela treina o modelo múltiplas vezes em diferentes subconjuntos de dados e combina os resultados para reduzir a variância.
b) Ela melhora a acurácia do modelo ao combinar as previsões feitas por diferentes algoritmos.
c) Ela aumenta o tempo de treinamento, forçando o modelo a ajustar múltiplos parâmetros.
d) Ela elimina dados desnecessários do modelo para simplificar a previsão.
e) Ela garante que o modelo não sofra de underfitting.
9. O que são os outliers e como eles afetam o modelo?
a) Outliers são dados que seguem o padrão geral, mas afetam negativamente o treinamento.
b) Outliers são dados que têm grande influência na precisão do modelo, podendo gerar previsões imprecisas.
c) Outliers são dados que são ignorados pelo modelo durante o treinamento.
d) Outliers são sempre dados válidos e ajudam a melhorar a precisão.
e) Outliers são dados que não influenciam de forma alguma o modelo.
10. O que é um modelo de ensemble?
a) Um modelo que utiliza uma única técnica de aprendizado.
b) Um modelo que combina múltiplos modelos para melhorar o desempenho.
c) Um modelo que não requer treinamento.
d) Um modelo que usa redes neurais profundas para realizar a previsão.
e) Um modelo que se baseia exclusivamente em árvores de decisão.
Gabarito e Justificativas
1. b) A regressão linear descreve a relação linear entre uma variável dependente e uma variável independente.
2. d) Árvores de Decisão são interpretáveis e eficazes quando se busca um modelo simples e fácil de entender.
3. c) Overfitting ocorre quando o modelo se ajusta muito aos dados de treinamento, podendo ser evitado com regularização.
4. b) O SVM busca maximizar a distância entre os dados das classes.
5. a) A regularização L1 força algumas variáveis a zero, criando um modelo mais simples.
6. b) A precisão mede a proporção de positivos corretamente classificados pelo modelo.
7. b) Modelos paramétricos têm um número fixo de parâmetros ajustados durante o treinamento.
8. a) K-fold Cross-validation melhora a performance ao treinar o modelo em diferentes subconjuntos e combinar os resultados.
9. b) Outliers são dados com grande influência sobre as previsões, podendo gerar erros.
10. b) Modelos de ensemble combinam múltiplos modelos para melhorar a performance.