Vamos analisar as alternativas para identificar o principal objetivo da técnica de validação cruzada em um modelo de machine learning: a) Aumentar o tamanho do conjunto de dados para melhorar a precisão do modelo - A validação cruzada não aumenta o tamanho do conjunto de dados, mas sim utiliza os dados disponíveis de forma mais eficiente. b) Avaliar a performance do modelo em dados não vistos, reduzindo o risco de overfitting - Este é o principal objetivo da validação cruzada. Ela permite que o modelo seja testado em diferentes subconjuntos dos dados, ajudando a garantir que ele generalize bem para dados novos. c) Ajustar os hiperparâmetros do modelo para otimização de desempenho - Embora a validação cruzada possa ser usada em conjunto com a otimização de hiperparâmetros, esse não é seu objetivo principal. d) Transformar variáveis categóricas em variáveis numéricas para melhor desempenho do modelo - Isso é uma técnica de pré-processamento, não um objetivo da validação cruzada. Portanto, a alternativa correta é: b) Avaliar a performance do modelo em dados não vistos, reduzindo o risco de overfitting.