Ainda que aprendizagem de máquina seja uma ferramenta poderosa para a aquisição automática de conhecimento, deve ser observado que não existe um único algoritmo que apresente o melhor desempenho para todos os problemas. Sobre os algoritmos empregados na aprendizagem de máquina, quando o desenvolvedor ajusta muito bem um algoritmo de aprendizado, ou os seus parâmetros, para otimizar o seu desempenho em todos os exemplos disponíveis ocorre:
- A)Poda.
Errada, porque poda é uma técnica de simplificação do modelo, usada para evitar complexidade excessiva, e não o nome do problema descrito.
- B)Overfitting.
Certa, porque overfitting ocorre quando o modelo se ajusta demais aos dados de treino e perde capacidade de generalizar.
- C)Overturning.
Errada, porque overturning não é o termo usado em aprendizagem de máquina para esse fenômeno.
- D)Completude.
Errada, porque completude é um conceito de lógica e teoria da computação, não o ajuste excessivo de um algoritmo de aprendizado.
- E)Prevalência de classe.
Errada, porque prevalência de classe se refere à distribuição das classes no conjunto de dados, e não ao excesso de ajuste do modelo.
Gabarito: B
Em aprendizagem de máquina, nem sempre o objetivo é fazer o algoritmo ir bem só nos dados que ele viu na hora do treino. Se você ajusta demais o modelo, ou mexe tanto nos parâmetros que ele fica “decorado” com os exemplos disponíveis, ele pode até acertar quase tudo no conjunto de treinamento, mas perde capacidade de generalizar para dados novos. Esse fenômeno é bem conhecido e é justamente o coração da questão. Quando isso acontece, o modelo passa a capturar também ruídos e detalhes muito específicos do conjunto de treino, em vez de aprender o padrão geral. É como estudar uma prova decorando respostas, sem entender o conteúdo: na hora de uma prova parecida, mas não igual, o desempenho despenca. Em termos de aprendizado de máquina, isso recebe o nome de overfitting. Por isso, a alternativa correta é a letra B. O enunciado descreve exatamente o ajuste excessivo do algoritmo aos exemplos disponíveis, o que prejudica sua performance em novos casos. Em doutrina de ML, isso é o oposto de um modelo mais generalista, que consegue equilibrar bem ajuste e capacidade de previsão. As outras opções não representam esse fenômeno. Poda é uma técnica usada para reduzir complexidade, especialmente em árvores de decisão. Completude é conceito de teoria da computação/lógica, e prevalência de classe tem relação com distribuição das classes nos dados, não com ajuste excessivo do modelo.