Prévia do material em texto

Prova- 155: Avançando em Modelos Supervisionados: Técnicas e Avaliação
Introdução
Esta prova foca em técnicas avançadas de modelos supervisionados de aprendizado de máquina, cobrindo algoritmos como Máquinas de Vetores de Suporte (SVM), Árvores de Decisão, e técnicas de regularização, além de estratégias de avaliação de desempenho.
Questões
1. O que caracteriza um modelo supervisionado de aprendizado?
a) O modelo é treinado com dados não rotulados.
b) O modelo aprende a partir de exemplos rotulados para fazer previsões ou classificações.
c) O modelo realiza agrupamento de dados sem necessidade de supervisão.
d) O modelo ajusta-se automaticamente a novos dados.
e) O modelo pode prever valores futuros sem supervisão.
2. Qual algoritmo é mais indicado para classificação binária de textos?
a) Regressão linear.
b) K-Means.
c) Máquinas de Vetores de Suporte (SVM).
d) Árvore de Decisão.
e) PCA (Análise de Componentes Principais).
3. O que é a função de perda em um modelo supervisionado?
a) Uma função que ajusta os dados de entrada para o modelo.
b) Uma função que calcula o erro entre as previsões do modelo e os valores reais.
c) Uma técnica usada para aumentar a acurácia do modelo.
d) Uma função que define o número de variáveis a serem utilizadas.
e) Uma função que reduz o número de características dos dados.
4. No SVM (Support Vector Machine), o que é um hiperplano de decisão?
a) Um plano bidimensional que divide as amostras em diferentes grupos.
b) Um limite que separa as classes positiva e negativa.
c) Um valor numérico atribuído a cada ponto de dados.
d) A distância entre dois vetores de suporte.
e) O número de atributos usados para a classificação.
5. O que é a regularização L2 (também conhecida como Ridge)?
a) A técnica que penaliza os coeficientes de variáveis grandes e melhora a generalização do modelo.
b) A técnica que aumenta a complexidade do modelo ao adicionar novas variáveis.
c) A técnica que usa técnicas de ensemble para melhorar o modelo.
d) A técnica que remove as variáveis irrelevantes no modelo.
e) A técnica que diminui a dimensionalidade dos dados.
6. Qual é o objetivo do gradiente descendente em modelos supervisionados?
a) Minimizar o erro do modelo ajustando os parâmetros durante o treinamento.
b) Maximizar a precisão do modelo no conjunto de teste.
c) Identificar as variáveis mais relevantes do modelo.
d) Reduzir a quantidade de dados usados no treinamento.
e) Encontrar a melhor combinação de variáveis para o modelo.
7. O que é a técnica de bagging em aprendizado supervisionado?
a) Um método que usa vários modelos de classificação e combina suas saídas.
b) Um método que reduz a variabilidade do modelo, utilizando um único conjunto de dados.
c) Uma técnica para normalizar os dados de entrada.
d) Um método para aumentar a complexidade de modelos simples.
e) Uma técnica de redução de dimensionalidade.
8. O que significa a métrica de precisão em avaliação de modelos de classificação?
a) A proporção de verdadeiros positivos em relação ao total de exemplos classificados como positivos.
b) A proporção de verdadeiros negativos em relação ao total de exemplos classificados como negativos.
c) A medida do erro médio absoluto das previsões do modelo.
d) A proporção de falsos positivos em relação ao total de exemplos classificados.
e) A taxa de verdadeiros positivos dividida pela soma de verdadeiros positivos e falsos negativos.
9. O que é a técnica de cross-validation (validação cruzada)?
a) Uma técnica que divide os dados em vários subconjuntos para avaliar a performance do modelo.
b) Um método para aumentar a quantidade de dados de treinamento.
c) Um método para reduzir o overfitting ao treinar o modelo em dados específicos.
d) Uma técnica para treinar o modelo em diferentes parâmetros de entrada.
e) Uma técnica para calcular o erro do modelo.
10. O que é a curva ROC usada em modelos de classificação?
a) Uma curva que compara o desempenho de um modelo de regressão com o valor real.
b) Uma curva que analisa a taxa de verdadeiros positivos em relação à taxa de falsos positivos.
c) Uma curva que avalia a precisão do modelo.
d) Uma técnica usada para ajustar os parâmetros do modelo.
e) Uma curva que mede a complexidade do modelo.
Gabarito e Justificativas
1. b) Um modelo supervisionado aprende com dados rotulados para fazer previsões ou classificações.
2. c) O SVM é ideal para classificação binária de dados como textos.
3. b) A função de perda calcula o erro entre as previsões e os valores reais.
4. b) O hiperplano de decisão separa as classes positiva e negativa no SVM.
5. a) A regularização L2 penaliza coeficientes grandes, ajudando na generalização.
6. a) O gradiente descendente ajusta os parâmetros do modelo para minimizar o erro.
7. a) O bagging usa vários modelos e combina suas previsões para reduzir a variabilidade.
8. a) A precisão é a proporção de verdadeiros positivos entre os positivos classificados.
9. a) A cross-validation divide os dados em subconjuntos para avaliar a performance do modelo.
10. b) A curva ROC compara a taxa de verdadeiros positivos com a taxa de falsos positivos.