Primeira página
/
Matemática
/
Modelos de aprendizado de máquina são amplamente utilizados para resolver problemas como reconhecimento de imagens classificação de texto e previsão de dados.No processo de desenvolvim iento desses modelos . é fundamental avaliar corretamente seu desempenho para garantir que eles sejam capazes de generalizar para novos dados e não apenas memorizar conjunto de treinamento. Um aluno desenvolveu um modelo de aprendizado de máquina para a classificação de digitos manuscritos. Quando testou o desempenho do modelo, utilizou exatamente o mesmo conjunto de dados de treino. O modelo alcançou uma acurácia de 100% Porém, ao colocá-lo em prática, ele não foi capaz de generalizar e cometeu muitos erros. Qual é o problema descrito nesta situação? A) Subajuste. B) Sobreajuste. C)Superestimação. D) Subestimação E) Erro de compilação.

Pergunta

Modelos de aprendizado de máquina
são amplamente utilizados para
resolver problemas como
reconhecimento de imagens
classificação de texto e previsão de
dados.No processo de
desenvolvim iento desses modelos . é
fundamental avaliar corretamente seu
desempenho para garantir que eles
sejam capazes de generalizar para
novos dados e não apenas memorizar
conjunto de treinamento.
Um aluno desenvolveu um modelo de
aprendizado de máquina para a
classificação de digitos manuscritos.
Quando testou o desempenho do
modelo, utilizou exatamente o mesmo
conjunto de dados de treino. O modelo
alcançou uma acurácia de 100% 
Porém, ao colocá-lo em prática, ele
não foi capaz de generalizar e
cometeu muitos erros.
Qual é o problema descrito nesta
situação?
A) Subajuste.
B) Sobreajuste.
C)Superestimação.
D) Subestimação
E) Erro de compilação.

Modelos de aprendizado de máquina são amplamente utilizados para resolver problemas como reconhecimento de imagens classificação de texto e previsão de dados.No processo de desenvolvim iento desses modelos . é fundamental avaliar corretamente seu desempenho para garantir que eles sejam capazes de generalizar para novos dados e não apenas memorizar conjunto de treinamento. Um aluno desenvolveu um modelo de aprendizado de máquina para a classificação de digitos manuscritos. Quando testou o desempenho do modelo, utilizou exatamente o mesmo conjunto de dados de treino. O modelo alcançou uma acurácia de 100% Porém, ao colocá-lo em prática, ele não foi capaz de generalizar e cometeu muitos erros. Qual é o problema descrito nesta situação? A) Subajuste. B) Sobreajuste. C)Superestimação. D) Subestimação E) Erro de compilação.

Solução

expert verifiedVerification of experts
4.4229 Voting
avatar
AparecidaElite · Tutor por 8 anos

Responder

resposta correta é B) Sobreajuste.<br /><br />O problema descrito nesta situação é o sobreajuste. Quando o modelo alcança uma acurácia de 100% no conjunto de treinamento, mas comete muitos erros ao ser colocado em prática, significa que o modelo está memorizando o conjunto de treinamento em vez de generalizar para novos dados. Isso ocorre quando o modelo é muito complexo e se ajusta demais aos dados de treinamento, resultando em um desempenho ruim em novos dados.
Clique para avaliar: