Aplicações e Desafios dos Modelos Supervisionados

Prévia do material em texto

Prova- 159: Aplicações e Desafios dos Modelos Supervisionados
Introdução
Esta prova avalia o conhecimento sobre os modelos supervisionados em aprendizado de máquina, explorando sua aplicação prática, desafios como overfitting, regularização e escolha de métricas, além das técnicas de avaliação mais comuns.
Questões
1. Qual a principal vantagem dos modelos supervisionados em comparação com os modelos não supervisionados?
a) Eles podem identificar padrões sem rótulos nos dados.
b) Eles são mais rápidos de treinar.
c) Eles exigem que os dados de treinamento sejam rotulados.
d) Eles têm maior capacidade de generalização.
e) Eles são capazes de reconhecer anomalias.
2. Qual a função do parâmetro C no algoritmo de Máquina de Vetores de Suporte (SVM)?
a) Controlar o número de vetores de suporte.
b) Ajustar o compromisso entre maximizar a margem e minimizar o erro de classificação.
c) Determinar o número de camadas do modelo.
d) Controlar a complexidade do modelo.
e) Estabelecer a margem do hiperplano.
3. Em que tipo de problemas o algoritmo KNN é mais adequado?
a) Problemas de regressão linear.
b) Problemas de classificação com dados altamente dimensionalizados.
c) Problemas de classificação onde as classes são bem separadas.
d) Problemas de clusterização de dados.
e) Problemas de redução de dimensionalidade.
4. O que caracteriza o fenômeno de overfitting?
a) O modelo se ajusta muito bem aos dados de teste.
b) O modelo se ajusta excessivamente aos dados de treinamento, perdendo capacidade de generalização.
c) O modelo falha em capturar os padrões subjacentes dos dados.
d) O modelo tem uma baixa taxa de erro tanto em dados de treinamento quanto de teste.
e) O modelo melhora com o aumento do número de atributos.
5. Qual técnica de regularização é conhecida por forçar os coeficientes a se aproximarem de zero e eliminar algumas variáveis?
a) L2 (Ridge).
b) L1 (Lasso).
c) ElasticNet.
d) Dropout.
e) Normalização.
6. Qual é a principal característica do algoritmo de Regressão Logística?
a) Ele pode ser usado para previsões de valores contínuos.
b) Ele é adequado apenas para classificação binária.
c) Ele ajusta um modelo não linear aos dados.
d) Ele resolve problemas de análise de séries temporais.
e) Ele pode ser aplicado apenas a grandes volumes de dados.
7. O que é a curva ROC usada para avaliar em modelos de classificação?
a) A relação entre o número de atributos e o desempenho do modelo.
b) A relação entre verdadeiros positivos e falsos negativos.
c) A precisão do modelo.
d) A relação entre verdadeiros positivos e falsos positivos.
e) O erro quadrático médio.
8. O que significa regularização em aprendizado supervisionado?
a) Reduzir a quantidade de dados rotulados necessários para o treinamento.
b) Modificar o modelo para torná-lo menos complexo, evitando que ele se ajuste excessivamente aos dados.
c) Ajustar a margem do hiperplano em modelos como SVM.
d) Aumentar a precisão do modelo em dados de treinamento.
e) Otimizar o número de variáveis no modelo.
9. Qual é a principal característica dos modelos de árvore de decisão?
a) Eles tentam modelar os dados de forma linear.
b) Eles fazem previsões baseadas em regras simples de decisão, dividindo o espaço de entrada em regiões.
c) Eles requerem treinamento extenso.
d) Eles não utilizam dados rotulados.
e) Eles são mais adequados para problemas de regressão.
10. Em que situações a validação cruzada é mais útil?
a) Para reduzir o overfitting e melhorar a generalização do modelo.
b) Para ajustar o número de atributos do modelo.
c) Para prever o número de variáveis no modelo.
d) Para reduzir o erro médio do modelo em dados de teste.
e) Para ajustar os parâmetros do modelo de forma automática.
Gabarito e Justificativas
1. c) Modelos supervisionados requerem que os dados de treinamento sejam rotulados para aprender a fazer previsões ou classificações.
2. b) O parâmetro C no SVM controla o compromisso entre maximizar a margem e minimizar os erros de classificação.
3. c) O KNN é ideal para problemas de classificação com dados em que as classes são bem separadas.
4. b) Overfitting ocorre quando o modelo se ajusta muito bem aos dados de treinamento mas tem um desempenho ruim nos dados de teste.
5. b) Lasso (L1) força os coeficientes a se aproximarem de zero, eliminando variáveis irrelevantes.
6. b) A Regressão Logística é usada para problemas de classificação binária.
7. d) A curva ROC mostra a relação entre verdadeiros positivos e falsos positivos para avaliar a performance do modelo de classificação.
8. b) A regularização visa reduzir a complexidade do modelo, evitando o overfitting.
9. b) Modelos de árvore de decisão fazem previsões baseadas em regras simples de decisão, dividindo os dados em grupos.
10. a) A validação cruzada é usada para reduzir o overfitting e melhorar a generalização do modelo.