Um conjunto de dados foi particionado em dois subconjuntos, sendo um de treinamento e outro de testagem, ambos utilizados exclusivamente para serem usados em seus objetivos originais (dados de treino para treinamento, e de teste para testagem). Em relação ao ajuste e validação de modelos em aprendizado de máquina, um modelo sofre overfitting quando A) apresenta bom desempenho nos dados de treinamento, mas tem baixo desempenho nos dados de teste. B) é simples demais para capturar os padrões subjacentes nos dados. C) minimiza o erro nos dados de treinamento e os de teste, aumentando a correlação entre esses dois conjuntos. D) oferece uma matriz de confusão para um classificador detalhando seu desempenho. E) relaciona-se aos altos viés e variância do conjunto de dados.

A) apresenta bom desempenho nos dados de treinamento, mas tem baixo desempenho nos dados de teste.

Questões Engenharia de Software Inteligencia Artificial

Um conjunto de dados foi particionado em dois subconjuntos, sendo um de treinamento e o...

Responda: Um conjunto de dados foi particionado em dois subconjuntos, sendo um de treinamento e outro de testagem, ambos utilizados exclusivamente para serem usados em seus objetivos originais (dados de trei...

1Q1037258 | Engenharia de Software, Inteligencia Artificial, Inteligência da Informação, DATAPREV, FGV, 2024

Um conjunto de dados foi particionado em dois subconjuntos, sendo um de treinamento e outro de testagem, ambos utilizados exclusivamente para serem usados em seus objetivos originais (dados de treino para treinamento, e de teste para testagem).
Em relação ao ajuste e validação de modelos em aprendizado de máquina, um modelo sofre overfitting quando

✂️ a) apresenta bom desempenho nos dados de treinamento, mas tem baixo desempenho nos dados de teste.
✂️ b) é simples demais para capturar os padrões subjacentes nos dados.
✂️ c) minimiza o erro nos dados de treinamento e os de teste, aumentando a correlação entre esses dois conjuntos.
✂️ d) oferece uma matriz de confusão para um classificador detalhando seu desempenho.
✂️ e) relaciona-se aos altos viés e variância do conjunto de dados.