Introdução ao Aprendizado Supervisionado_ Conceitos e Modelos

Prévia do material em texto

Prova- 149: Introdução ao Aprendizado Supervisionado: Conceitos e Modelos
Introdução
Esta prova explora os conceitos iniciais e fundamentais dos modelos supervisionados em aprendizado de máquina, incluindo a diferenciação entre classificação e regressão, além de aspectos como underfitting e overfitting.
Questões
1. O que caracteriza um modelo supervisionado?
a) O modelo é treinado usando dados não rotulados.
b) O modelo é treinado usando dados rotulados, onde cada entrada tem uma saída associada.
c) O modelo é treinado sem a necessidade de dados.
d) O modelo é usado apenas para problemas de agrupamento.
e) O modelo é treinado com dados de entrada contínuos e saída discreta.
2. Qual das seguintes opções é um exemplo de problema de regressão?
a) Prever a classificação de uma imagem entre 5 categorias.
b) Prever a temperatura de uma cidade para o próximo mês.
c) Prever se um e-mail é spam ou não spam.
d) Agrupar documentos em tópicos semelhantes.
e) Prever a demanda de um produto com base em tendências históricas.
3. O que é o conceito de underfitting?
a) Quando o modelo é muito complexo e aprende detalhes irrelevantes dos dados.
b) Quando o modelo é muito simples e não consegue capturar os padrões dos dados.
c) Quando o modelo tem alto desempenho nos dados de teste, mas falha nos dados de treinamento.
d) Quando o modelo é altamente flexível e se ajusta a todos os dados.
e) Quando o modelo não converge durante o treinamento.
4. Qual é o objetivo de regressão logística em modelos supervisionados?
a) Classificar dados em duas ou mais categorias discretas.
b) Prever uma variável contínua baseada em uma entrada.
c) Agrupar dados em diferentes clusters.
d) Classificar dados em apenas uma categoria discreta.
e) Classificar dados com base em uma variável de entrada linear.
5. O que caracteriza o modelo K-Nearest Neighbors (KNN)?
a) Ele utiliza a distância entre os pontos para classificar novos dados, baseando-se em seus vizinhos mais próximos.
b) Ele utiliza múltiplos modelos de regressão para fazer previsões.
c) Ele é baseado em uma rede neural para a tomada de decisão.
d) Ele calcula a média dos valores das variáveis para classificar os dados.
e) Ele é usado apenas para agrupamento de dados.
6. O que significa overfitting?
a) Quando o modelo não aprende a partir dos dados de treinamento.
b) Quando o modelo é muito simples e não consegue ajustar bem os dados de treinamento.
c) Quando o modelo se ajusta excessivamente aos dados de treinamento e perde a capacidade de generalizar.
d) Quando o modelo tem alta complexidade e não consegue fazer boas previsões.
e) Quando o modelo não consegue aprender padrões relevantes a partir dos dados.
7. Qual é a principal vantagem da técnica de validação cruzada?
a) Ela aumenta a complexidade do modelo.
b) Ela ajuda a melhorar a generalização do modelo, dividindo os dados em múltiplos subconjuntos.
c) Ela usa apenas um conjunto de dados de treinamento.
d) Ela elimina variáveis irrelevantes.
e) Ela melhora a precisão apenas em modelos de regressão.
8. O que é um modelo de Árvore de Decisão?
a) Um modelo que usa múltiplos algoritmos para fazer previsões.
b) Um modelo baseado em uma estrutura hierárquica de decisões.
c) Um modelo que classifica os dados com base em uma função linear.
d) Um modelo baseado em uma rede neural com múltiplas camadas.
e) Um modelo usado para agrupar dados semelhantes.
9. O que é a regularização em modelos supervisionados?
a) A técnica de reduzir a complexidade do modelo para evitar overfitting.
b) A técnica de aumentar a flexibilidade do modelo para melhorar o ajuste.
c) A técnica de aplicar diversas técnicas de clustering.
d) A técnica de ajustar os parâmetros do modelo para uma performance maior.
e) A técnica de reduzir o número de dados usados no treinamento.
10. Quando usar o modelo de Regressão Linear?
a) Quando o objetivo é prever categorias discretas.
b) Quando o objetivo é prever variáveis contínuas a partir de um ou mais preditores.
c) Quando o objetivo é agrupar dados em grupos semelhantes.
d) Quando o objetivo é prever a probabilidade de ocorrência de eventos.
e) Quando o objetivo é prever variáveis binárias.
Gabarito e Justificativas
1. b) Modelos supervisionados são treinados com dados rotulados, onde cada entrada tem uma saída associada.
2. b) Um exemplo de regressão é prever a temperatura, que é uma variável contínua.
3. b) Underfitting ocorre quando o modelo é muito simples e não captura padrões importantes dos dados.
4. a) A regressão logística é usada para classificar dados em duas ou mais categorias discretas.
5. a) O modelo KNN classifica dados baseando-se nos vizinho mais próximo, com base na distância.
6. c) Overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treinamento e perde a capacidade de generalizar.
7. b) A validação cruzada ajuda a melhorar a generalização do modelo, dividindo os dados em múltiplos subconjuntos.
8. b) Árvores de Decisão são baseadas em uma estrutura hierárquica de decisões para classificar ou fazer previsões.
9. a) A regularização é uma técnica para reduzir a complexidade do modelo e evitar overfitting.
10. b) O modelo de Regressão Linear é usado para prever variáveis contínuas a partir de preditores.