Avaliação de Modelos de ML

Prévia do material em texto

Para avaliar a performance de um modelo de previsão ou classificação, quando for
aplicado à população, não devemos utilizar a mesma amostra considerada para 
obtê-lo. Isso tende a fornecer resultados otimistas, camuflando inclusive a 
eventual ocorrência de overfitting. Deve-se avaliar o modelo aplicando-o a outra
amostra dessa população, independente da amostra empregada para o 
desenvolvimento. As métricas a serem consideradas para avaliação do modelo serão
calculadas a partir dessa outra amostra.
 
SICSÚ, A. L.; SAMARTINI, A.; BARTH, N. L. Técnicas de machine learning. São 
Paulo: Blucher, 2023.
 
Qual das seguintes afirmações sobre overfitting e underfitting em machine 
learning (ML) está correta?
Alternativas
Alternativa 1:
O overfitting ocorre quando um modelo aprende excessivamente os dados de 
treinamento, tornando-se incapaz de generalizar para novos dados.
Alternativa 2:
O underfitting ocorre quando um modelo é tão complexo que não consegue capturar 
as relações subjacentes nos dados.
Alternativa 3:
Overfitting e underfitting referem-se a situações em que um modelo apresenta 
alta acurácia em dados de treinamento, mas baixa acurácia em dados de teste.
Alternativa 4:
O underfitting é desejável, pois indica que o modelo é capaz de generalizar bem 
para novos dados.
Alternativa 5:
O overfitting ocorre quando um modelo é incapaz de aprender de forma eficaz com 
os dados de treinamento, resultando em um desempenho fraco tanto nos dados de 
treinamento quanto nos dados de teste.