Resposta correta
Explicação
O modelo tem um desempenho excepcional nos dados de treinamento (99% de acurácia), mas ruim em dados de teste não vistos (70% de acurácia), o que é o sintoma clássico de overfitting (superajuste). O overfitting ocorre quando o modelo aprende ruído e padrões específicos no conjunto de treinamento em vez de generalizar para novos dados, frequentemente devido a uma complexidade excessiva do modelo ou regularização insuficiente.
Para se aprofundar
Overfitting ocorre quando um modelo captura ruído e idiossincrasias do conjunto de treinamento em vez do sinal subjacente, de modo que a acurácia de treinamento sobe enquanto a generalização fica defasada. Com 10.000 e-mails e um classificador de alta capacidade, a rede pode memorizar combinações raras de tokens que se correlacionam com rótulos apenas por acaso, produzindo a lacuna de 99% versus 70%. A decomposição de viés e variância molda isso como baixo viés e alta variância: o modelo se ajusta de perto aos dados de treinamento, mas suas previsões mudam acentuadamente entre reamostragens. Os remédios incluem regularização (L2, dropout), parada precoce (early stopping) em uma divisão de validação, redução da capacidade do modelo ou aumento de dados. Em uma implantação de filtro de spam, tal modelo classificaria incorretamente e-mails legítimos cuja redação se assemelha ao spam de treinamento, prejudicando a entregabilidade.
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.