Avanços em Modelos Supervisionados

Prévia do material em texto

Prova- 163: Avanços em Modelos Supervisionados
Introdução
Esta prova explora o uso de modelos supervisionados em problemas reais, abordando conceitos como SVM, Árvores de Decisão, e técnicas para melhorar a generalização do modelo.
Questões
1. O que define a classificação supervisionada?
a) O modelo é treinado com dados rotulados para prever uma classe.
b) O modelo pode ser treinado sem dados rotulados.
c) O modelo é treinado para prever valores contínuos.
d) O modelo utiliza dados não estruturados.
e) O modelo realiza previsões sequenciais.
2. O que caracteriza o método de Árvore de Decisão?
a) Ele utiliza algoritmos lineares para classificação.
b) Ele divide os dados com base em atributos, formando uma estrutura de árvore.
c) Ele é utilizado apenas em problemas de regressão.
d) Ele é baseado no algoritmo KNN.
e) Ele é uma técnica não supervisionada.
3. No SVM (Máquinas de Vetores de Suporte), como a margem é utilizada?
a) A margem define o número de atributos usados no modelo.
b) A margem é a distância mínima entre o hiperplano e as amostras mais próximas de cada classe.
c) A margem é a quantidade de camadas usadas na rede neural.
d) A margem controla a quantidade de dados rotulados utilizados.
e) A margem é uma medida da complexidade do modelo.
4. O que significa regularização L2 (Ridge)?
a) Penaliza o modelo, forçando coeficientes de variáveis irrelevantes a serem ajustados para zero.
b) Aumenta a complexidade do modelo para melhorar a precisão.
c) Penaliza os coeficientes grandes, mantendo-os pequenos e evitando overfitting.
d) Ajusta o número de atributos no modelo.
e) Diminui a dimensionalidade dos dados.
5. O que é overfitting e como ele afeta a performance do modelo?
a) O modelo se ajusta muito bem aos dados de treinamento, mas falha em generalizar para novos dados.
b) O modelo apresenta um desempenho inferior tanto em dados de treinamento quanto de teste.
c) O modelo tem dificuldade em ajustar os dados de treinamento.
d) O modelo generaliza bem e tem um desempenho ruim apenas em dados de teste.
e) O modelo é capaz de prever novos dados com precisão superior.
6. O que faz o método Random Forest?
a) Ele utiliza uma única árvore de decisão para realizar a classificação.
b) Ele usa várias árvores de decisão independentes e faz a média das suas previsões para melhorar a precisão.
c) Ele é baseado em algoritmos de regressão linear.
d) Ele utiliza dados não rotulados para o treinamento.
e) Ele não faz uso de dados rotulados.
7. Como o KNN (K-Nearest Neighbors) classifica os dados?
a) Ele calcula a distância entre o ponto de entrada e as amostras do conjunto de treinamento.
b) Ele utiliza uma rede neural para calcular as previsões.
c) Ele faz previsões com base nos atributos dos dados.
d) Ele utiliza algoritmos lineares para tomar decisões.
e) Ele classifica com base em predições sequenciais.
8. O que caracteriza o modelo Naive Bayes?
a) Ele é baseado na ideia de que todas as variáveis são dependentes entre si.
b) Ele é baseado em probabilidades condicionais e assume que as variáveis são independentes.
c) Ele utiliza redes neurais para classificação.
d) Ele é utilizado apenas em problemas de regressão.
e) Ele não usa dados rotulados para treinamento.
9. Como a técnica de validação cruzada ajuda a melhorar um modelo supervisionado?
a) Ela aumenta a quantidade de dados rotulados disponíveis.
b) Ela divide o conjunto de dados em várias partes para avaliar a performance do modelo em diferentes divisões, melhorando a capacidade de generalização.
c) Ela diminui a complexidade do modelo.
d) Ela ajusta automaticamente os hiperparâmetros do modelo.
e) Ela elimina atributos irrelevantes do modelo.
10. O que é uma métrica de avaliação em aprendizado supervisionado?
a) Um algoritmo que calcula a complexidade do modelo.
b) Uma técnica para reduzir o número de dados.
c) Uma ferramenta usada para medir a qualidade das previsões feitas pelo modelo.
d) Um método para aumentar a quantidade de atributos.
e) Uma estratégia para reduzir a quantidade de camadas na rede neural.
Gabarito e Justificativas
1. a) A classificação supervisionada utiliza dados rotulados para prever a classe da entrada.
2. b) O método de Árvore de Decisão divide os dados com base em atributos, formando uma estrutura de árvore.
3. b) No SVM, a margem é a distância mínima entre o hiperplano e as amostras mais próximas de cada classe.
4. c) A regularização L2 (Ridge) penaliza os coeficientes grandes, mantendo-os pequenos para evitar overfitting.
5. a) Overfitting ocorre quando o modelo se ajusta bem aos dados de treinamento, mas falha em generalizar para novos dados.
6. b) Random Forest usa várias árvores de decisão e faz uma média das previsões para melhorar a precisão.
7. a) O KNN classifica com base na distância entre o ponto de entrada e as amostras do conjunto de treinamento.
8. b) Naive Bayes assume que as variáveis são independentes e utiliza probabilidades condicionais para a classificação.
9. b) A validação cruzada divide o conjunto de dados em várias partes e avalia o modelo em diferentes divisões, ajudando na generalização.
10. c) Uma métrica de avaliação é uma ferramenta que mede a qualidade das previsões feitas pelo modelo.