Durante o processo de treinamento e validação de uma rede neural, foi observado o fenômeno de underfitting do modelo, necessitando de ajustes ao procedimento. A arquitetura utilizada foi a Multilayer Perceptron (MLP) e o conjunto de dados foi separado em regime de holdout (50%, 30% e 20% para treinamento, validação e teste, respectivamente). Dois fatores que podem ter condicionado o fenômeno observado são:
- A)iterações insuficientes; amostragem dos dados;
Certa: poucas iterações podem impedir o aprendizado adequado e uma amostragem ruim pode gerar um conjunto de treino pouco representativo, favorecendo underfitting.
- B)excesso de parâmetros; excesso de iterações;
Errada: excesso de parâmetros tende a levar mais a overfitting, e excesso de iterações também não é causa típica de underfitting.
- C)insuficiência de parâmetros; excesso de camadas;
Errada: insuficiência de parâmetros pode contribuir para underfitting, mas excesso de camadas aumenta a capacidade da rede, não é a combinação mais compatível com o fenômeno descrito.
- D)excesso de iterações; entrada não normalizada;
Errada: excesso de iterações costuma reduzir erro de treino, e entrada não normalizada afeta o treinamento, mas não é o par mais característico de underfitting.
- E)insuficiência de camadas; saída normalizada.
Errada: insuficiência de camadas pode limitar a capacidade do modelo, mas saída normalizada não é fator típico de underfitting.
Gabarito: A
Underfitting acontece quando o modelo fica "simples demais" para aprender o padrão dos dados. Em vez de capturar a estrutura do problema, a rede neural fica errando tanto no treino quanto na validação, como quem tenta decorar a matéria pela metade e ainda confunde os capítulos. Na MLP, isso pode ocorrer, por exemplo, quando o treinamento para cedo demais, com poucas iterações, antes de a rede ajustar seus pesos adequadamente. Outro fator é a forma de amostragem dos dados: se a divisão em holdout não representar bem a população, o modelo aprende com um conjunto pouco informativo e generaliza mal. Por isso, o gabarito é a alternativa A. Iterações insuficientes podem impedir a convergência do treinamento, e uma amostragem inadequada pode deixar o conjunto de treino pobre em informação, favorecendo o underfitting. Em termos práticos, a ideia é simples: se a rede não teve tempo de aprender ou se aprendeu com uma amostra ruim, ela vai ficar "ruim de serviço" para os dois lados, treino e validação. Já em problems de concurso, a FGV costuma cobrar esse raciocínio conceitual direto: underfitting se relaciona com baixa capacidade de aprendizagem efetiva ou treinamento insuficiente.