DifícilVárias respostas

Questão de prática de AIF-C01

Quais são DUAS das seguintes práticas recomendadas para preparar dados de treinamento para um modelo de machine learning?

Escolha todas as respostas corretas.

Respostas corretas

  • ALidar com valores ausentes imputando-os ou removendo-os.
  • BDividir os dados em conjuntos de treinamento, validação e teste.

Explicação

Valores ausentes podem viciar ou quebrar muitos algoritmos de ML, portanto, a prática recomendada é tratá-los explicitamente — seja por imputação (por exemplo, média, mediana, moda ou métodos baseados em modelos) ou removendo as linhas ou colunas afetadas quando apropriado. Dividir os dados em conjuntos de treinamento, validação e teste permite um ajuste imparcial do modelo, ajuste de hiperparâmetros e estimativa final de desempenho, prevenindo o vazamento de dados e o overfitted. Remover todos os valores discrepantes (outliers) não é uma prática recomendada porque eles podem representar um sinal legítimo; removê-los cegamente pode distorcer a distribuição e reduzir a robustez, portanto, eles devem ser investigados e tratados conforme o contexto. Treinar em todo o conjunto de dados não é uma prática recomendada porque não deixa dados reservados para validação ou teste, tornando impossível estimar de forma confiável a generalização. Evitar embaralhar os dados não é uma prática recomendada porque o embaralhamento geralmente é necessário para remover o viés de ordenação e garantir mini-lotes representativos, especialmente quando os dados são classificados por classe ou tempo.

Por que cada alternativa está certa ou errada

A

Correta

Lidar com valores ausentes imputando-os ou removendo-os.

Valores ausentes quebram muitos algoritmos e viciam estimativas, portanto, imputar substitutos sensatos ou remover as linhas afetadas evita erros e aprendizado distorcido. Esta é uma etapa de preparação padrão que garante que o conjunto de treinamento esteja completo e seja representativo antes do ajuste do modelo.

B

Correta

Dividir os dados em conjuntos de treinamento, validação e teste.

Reservar partições de validação e teste permite ajustar hiperparâmetros e estimar a generalização em dados que o modelo nunca viu, protegendo contra o overfitted. Treinar no conjunto de dados completo sem divisões inflaria a precisão relatada e ocultaria um desempenho ruim no mundo real.

C

Incorreta

Remover todos os valores discrepantes para melhorar a robustez do modelo.

Valores discrepantes frequentemente representam casos genuínos de fraude ou falha, portanto, excluí-los remove exatamente o sinal que um modelo financeiro deve detectar. Removê-los é tentador porque valores extremos distorcem médias e distâncias, e isso só é válido quando um valor discrepante é uma medição confirmada ou erro de entrada em vez de um evento real.

D

Incorreta

Usar todo o conjunto de dados para treinamento para maximizar o uso de dados.

Retenção de uma divisão de validação ou teste é o que expõe o overfitted; treinar em cada registro não deixa dados não vistos para estimar o erro de generalización. Usar o conjunto de dados completo é tentador porque mais amostras geralmente ajudam, e só é legítimo após os hiperparâmetros estarem congelados, ao reajustar em todos os dados antes do deployment.

E

Incorreta

Evitar embaralhar os dados para preservar a ordem original.

O embaralhamento quebra qualquer correlação de ordenação entre amostras consecutivas, de modo que um modelo treinado em dados ordenados pode aprender artefatos de sequência em vez do padrão subjacente. Preservar a ordem é tentador para séries temporais ou dados sequenciais, onde as divisões cronológicas importam, mas mesmo assim o embaralhamento dentro de cada divisão é padrão.

Para se aprofundar

Preparar bem os dados de treinamento envolve tratar valores ausentes imputando-os ou removendo-os e dividindo os dados em conjuntos de treinamento, validação e teste. Valores ausentes podem viciar um modelo se deixados como estão, e as escolhas de imputação, como média, mediana ou métodos baseados em modelos, afetam as distribuições aprendidas. A divisão de treino/validação/teste permite ajustar hiperparâmetros em dados de validação e estimar a generalização em dados de teste reservados, reduzindo o overfitted. Uma subtilidade: remover todos os outliers nem sempre está correto porque os outliers podem representar eventos raros genuínos que o modelo deve aprender, e usar todo o conjunto de dados para treinamento não deixa nenhuma avaliação imparcial. Isso importa em ML em produção onde vazamentos ou divisões não representativas fazem com que os modelos tenham um bom desempenho offline, mas falhem no tráfego real.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AIF-C01 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.

Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.