MédiaMúltipla escolha

Questão de prática de AI-900

Um cientista de dados treina uma rede neural profunda num conjunto de dados pequeno. O modelo atinge 100% de precisão nos dados de treino, mas apenas 60% de precisão num conjunto de validação. Qual é a técnica mais adequada para resolver este problema?

Escolha a melhor resposta.

Resposta correta

  • CAplicar regularização

Explicação

A precisão de treino perfeita do modelo (100%), combinada com uma fraca precisão de validação (60%), é um sinal clássico de sobreajuste (overfitting), em que o modelo memorizou os dados de treino em vez de aprender padrões generalizáveis. As técnicas de regularização (por exemplo, regularização L1/L2, dropout) penalizam pesos grandes ou removem aleatoriamente neurónios durante o treino, o que obriga a rede a aprender caraterísticas mais simples e robustas e reduz o sobreajuste em conjuntos de dados pequenos.

Por que cada alternativa está certa ou errada

A

Incorreta

Aumentar o número de épocas de treino

Mais épocas agravam o problema: a rede já memoriza o conjunto de treino, pelo que passagens adicionais aprofundam o sobreajuste e a precisão da validação permanece baixa. É tentador porque o treino extra normalmente melhora o ajuste, e seria correto quando a precisão do treino e da validação ainda estão a subir em conjunto.

B

Incorreta

Adicionar mais camadas ocultas

A adição de camadas ocultas aumenta a capacidade do modelo, permitindo que a rede memoriza o pequeno conjunto de treino ainda mais minuciosamente e ampliando a lacuna de 100% versus 60%. A profundidade extra é tentadora quando a precisão do treino e da validação é baixa, indicando subajuste (underfitting), mas aqui o modelo já se ajusta perfeitamente aos dados de treino.

C

Correta

Aplicar regularização

A regularização adiciona restrições ao modelo para evitar o sobreajuste, desencorajando padrões excessivamente complexos.

D

Incorreta

Aumentar a taxa de aprendizagem

Aumentar a taxa de aprendizagem piora a lacuna de sobreajuste ao afastar ainda mais os pesos de um mínimo generalizável, causando frequentemente divergência em vez de fechar a diferença de 40 pontos entre treino e validação. É tentador porque uma taxa mais alta acelera a convergência quando a perda de treino estagna cedo, mas a regularização ou mais dados abordam esta memorização.

Para se aprofundar

A diferença entre 100% de precisão no treino e 60% de precisão na validação é um sobreajuste clássico: a rede memorizou o ruído e as idiossincrasias de uma pequena amostra em vez de aprender padrões generalizáveis. A regularização restringe a complexidade do modelo, por exemplo, através de penalizações de pesos L1 ou L2, dropout ou paragem precoce (early stopping), o que reduz a variância e normalmente estreita o fosso entre o treino e a validação. Adicionar épocas ou camadas ocultas aumenta a capacidade e agrava o sobreajuste, e aumentar a taxa de aprendizagem pode desestabilizar o treino. Um cenário realista é um classificador de imagem médica treinado em poucas centenas de exames que pontua perfeitamente nos dados de treino, mas falha em novos pacientes; a regularização, juntamente com mais dados ou aumento de dados (augmentation), restaura o desempenho de validação útil antes da implementação.

Sobre estas questões de prática

Esta é uma das questões de prática originais de AI-900 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.