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.
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.