Resposta correta
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.
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.