Para evitar overfitting, uma prática comum é randomicamente ...

Alternativa correta: B - Validação cruzada k-fold.

O tema da questão está relacionado à validação de modelos em aprendizado de máquina, uma área fundamental na Engenharia de Software focada em Inteligência Artificial. Para responder corretamente, é necessário conhecer as técnicas para avaliação de desempenho de modelos preditivos e entender como prevenir o overfitting, que é quando um modelo aprende os detalhes e o ruído do conjunto de treinamento a ponto de prejudicar seu desempenho em dados novos.

A técnica descrita é a validação cruzada k-fold, onde k representa o número de grupos (folds) em que o conjunto de dados é dividido. Essa técnica envolve o particionamento do conjunto de dados em k subconjuntos e a realização de k iterações de treino e teste. Em cada iteração, um subconjunto diferente é usado como teste e os restantes como treino, permitindo que cada subconjunto seja usado tanto para treino quanto para teste exatamente uma vez. A média dos erros de validação de todas as k iterações é usada como estimativa de desempenho do modelo. Esta técnica é uma maneira eficaz de utilizar todos os dados disponíveis para treinamento e teste, minimizando assim o viés e a variância na estimativa do desempenho do modelo.

A escolha correta da validação cruzada k-fold é fundamental pois as demais alternativas referem-se a outros conceitos ou métricas que não descrevem o processo de particionamento do conjunto de dados para validação de modelos de aprendizado de máquina: A refere-se ao coeficiente que determina a qualidade do ajuste em modelos de regressão, C trata do trade-off entre a complexidade do modelo e a precisão, D refere-se a uma métrica que combina precisão e recall, e E aborda gráficos que mostram o desempenho do modelo em função da quantidade de dados de treinamento.

O método k-fold é uma técnica comum usada para avaliar a performance de algoritmos de aprendizado de máquina. Ele envolve a divisão do conjunto de dados em partes menores, chamadas de "dobras" (folds), a fim de treinar e testar o modelo em diferentes subconjuntos dos dados. Isso ajuda a obter uma avaliação mais robusta do desempenho do modelo, minimizando o impacto da variação dos dados de treinamento e teste e evitando overfitting.

b-

A validação cruzada K-fold é um dos métodos que podem ser utilizados na detecção da ocorrência de overfitting

A validação cruzada é uma técnica utilizada para avaliar a capacidade de generalização de um modelo de aprendizado de máquina e para ajudar a prevenir o overfitting. O overfitting ocorre quando um modelo se ajusta muito bem aos dados de treinamento, mas não consegue generalizar para novos dados.

1. Divisão dos Dados: Em vez de dividir os dados em um único conjunto de treinamento e um conjunto de teste, a validação cruzada divide os dados em várias partes (ou "folds"). Um método comum é o k-fold cross-validation, onde os dados são divididos em k partes iguais.
2. Treinamento e Teste:

• O modelo é treinado em k−1 folds e testado no fold restante.
• Esse processo é repetido k vezes, de forma que cada parte dos dados seja usada tanto para treinamento quanto para teste.

1. Média dos Resultados: Após treinar e testar o modelo em todos os folds, calcula-se a média das métricas de desempenho (como precisão, erro, etc.) para obter uma avaliação mais robusta da performance do modelo.

O k−1k-1k−1 na validação cruzada refere-se ao número de partes (ou "folds") dos dados que são usadas para treinar o modelo, enquanto um único fold é reservado para teste. Aqui está um detalhamento do que isso significa:

• k: O total de folds em que o conjunto de dados é dividido. Por exemplo, se k=5, os dados são divididos em 5 partes iguais.
• k−1: Significa que, em cada iteração da validação cruzada, o modelo é treinado usando k−1k-1k−1 folds. No exemplo anterior (com k=5), o modelo seria treinado em 4 folds (5 - 1 = 4) e testado no fold restante.

Gabarito B

Fonte: ChatGPT