MédiaMúltipla escolha

Questão de prática de AI-900

Um cientista de dados está treinando um modelo de regressão para prever preços de casas no Azure Machine Learning. O modelo usa recursos como metragem quadrada, número de quartos e localização (CEP). O cientista de dados percebe que o modelo tem um erro muito baixo nos dados de treinamento, mas um erro alto nos dados de teste. Qual técnica o cientista de dados deve aplicar durante o treinamento do modelo para reduzir o overfitting penalizando coeficientes grandes?

Escolha a melhor resposta.

Resposta correta

  • CUse um algoritmo de regularização como Lasso (L1).

Explicação

A regularização Lasso (L1) adiciona uma penalidade igual ao valor absoluto da magnitude dos coeficientes, o que pode reduzir alguns coeficientes a zero, realizando efetivamente a seleção de recursos e reduzindo o overfitting. Isso aborda diretamente o problema de coeficientes grandes que fazem com que o modelo se ajuste ao ruído nos dados de treinamento, levando a um alto erro de teste.

Por que cada alternativa está certa ou errada

A

Incorreta

Use um conjunto de teste menor.

Reduzir o conjunto de teste diminui a confiabilidade da avaliação e deixa os coeficientes do modelo intocados, portanto, o overfitting persiste. É tentador porque um conjunto de validação menor parece alterar o erro relatado, mas o requisito é uma penalidade sobre coeficientes grandes; um conjunto de teste menor só seria defensável quando a coleta de dados for genuinamente restrita.

B

Incorreta

Aplique apenas o dimensionamento de recursos (feature scaling).

O dimensionamento de recursos equaliza os intervalos de entrada para o gradiente descendente, mas não adiciona nenhum termo de penalidade à função de perda, portanto, as magnitudes dos coeficientes permanecem irrestritas. É tentador porque o dimensionamento é uma etapa padrão de pré-processamento, mas seria a escolha correta quando os recursos diferem drasticamente em escala e a convergência é lenta, não quando a variância é alta.

C

Correta

Use um algoritmo de regularização como Lasso (L1).

O Lasso adiciona uma penalidade L1 proporcional ao valor absoluto dos coeficientes, reduzindo alguns a zero e restringindo a complexidade do modelo. Essa penalização reduz o overfitting que causa baixo erro de treinamento, mas alto erro de teste na regressão de preços de casas.

D

Incorreta

Aumente o número de épocas de treinamento.

Adicionar épocas continua ajustando o conjunto de treinamento, piorando a lacuna entre treino e teste em vez de reduzir os coeficientes. É tentador porque mais iterações geralmente melhoram modelos com underfitting, mas o cenário precisa de regularização, que adiciona um termo de penalidade à perda; as épocas seriam a alavanca certa apenas quando o erro de treinamento e o de validação permanecessem altos.

Para se aprofundar

O overfitting aparece como uma grande lacuna entre o baixo erro de treinamento e o alto erro de teste, porque o modelo memorizou ruído e interações de recursos de alta variância em vez do sinal subjacente. A regressão Lasso adiciona uma penalidade L1 igual ao valor absoluto dos coeficientes multiplicado por alpha, o que reduz os coeficientes e leva alguns exatamente a zero, realizando a seleção implícita de recursos; isso reduz a variância e geralmente melhora a generalização. O Ridge usa uma penalidade L2 que reduz, mas raramente zera os coeficientes, enquanto o Elastic Net combina ambos. No Azure Machine Learning, a força da penalidade é ajustada como um hiperparâmetro, comumente com o HyperDrive varrendo o alpha sobre uma divisão de validação. Um conjunto de teste menor ou mais épocas piorariam o diagnóstico, e o dimensionamento de recursos por si só não restringe a magnitude do coeficiente.

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.