3.
Overfitting e underfitting são as duas maiores causas de má generalização dos algoritmos de aprendizado de máquina. Os dados usados para construir um modelo são, em geral, divididos em três conjuntos: treinamento, validação e teste. Caso exista um desbalanceamento nesse ajuste, pode-se deparar com um desses eventos.
Levando em consideração o exposto, quando ocorre o overfitting?
A.
Quando um modelo preditivo é preciso, mas leva muito tempo para ser executado;
B.
Quando o modelo aprende detalhes dos dados de treinamento que não podem ser generalizados para um conjunto de dados maior;
C.
Quando se executa o ajuste de hiperparâmetros e se aumenta o desempenho.
Overfitting e underfitting são as duas maiores causas de má generalização dos algoritmos de aprendizado de máquina. Os dados usados para construir um modelo são, em geral, divididos em três conjuntos: treinamento, validação e teste. Caso exista um desbalanceamento nesse ajuste, pode-se deparar com um desses eventos.
Levando em consideração o exposto, quando ocorre o overfitting?
A.
Quando um modelo preditivo é preciso, mas leva muito tempo para ser executado;
B.
Quando o modelo aprende detalhes dos dados de treinamento que não podem ser generalizados para um conjunto de dados maior;
C.
Quando se executa o ajuste de hiperparâmetros e se aumenta o desempenho.
More Questions From This User See All
Lista de comentários
B. Quando o modelo aprende detalhes dos dados de treinamento que não podem ser generalizados para um conjunto de dados maior.
Resposta: B
Explicação:
- A alternativa A está incorreta, a métrica de precisão é calculada a partir da matriz de confusão, que também não tem relação com o tempo de execução
- A alternativa C está incorreta, os ajustes dos hiperparâmetros, ou seja, características próprias de cada modelo podem aumentar ou diminuir seu desempenho, se aplicados corretamente não interferem de forma a causar o overfitting