A calibração de modelos consiste em ajustar os parâmetros do modelo até que as previsões geradas por ele se alinhem com as medições observadas do sistema real. Isso pode ser feito por métodos manuais ou automáticos, como otimização e algoritmos genéticos. A análise da calibração envolve comparações visuais, como gráficos de dispersão, e métricas estatísticas, como o erro absoluto médio (MAE) e a raiz do erro quadrático médio (RMSE). No entanto, é necessário ter cuidado com o risco de overfitting, que ocorre quando o modelo se ajusta excessivamente aos dados, comprometendo sua capacidade de previsão para outros cenários. A calibração também pode ser útil para detectar erros estruturais no modelo.

Com base nas informações sobre calibração de modelos, qual das seguintes afirmações está correta?

Múltipla Escolha:

1. 
   
2. O uso de algoritmos genéticos na calibração não é recomendado, pois eles não ajudam no ajuste do modelo aos dados observados.
3. 
   
4. O risco de overfitting é irrelevante durante o processo de calibração, já que o modelo se ajusta aos dados observados de forma precisa.
5. 
   
6. O MAE e o RMSE são medidas estatísticas que podem ser utilizadas para avaliar a qualidade do ajuste durante a calibração, sendo úteis para evitar o overfitting.
7. 
   
8. A calibração de modelos deve sempre ser realizada manualmente para garantir o melhor ajuste entre os dados observados e as previsões do modelo.
9. 
   
10. A calibração de modelos deve ser evitada, pois ela nunca resulta em um modelo com boa capacidade preditiva para novos cenários.