Em um problema de classificação binária com aprendizado de máquina, a técnica geralmente mais adequada para ajustar o modelo e evitar o overfitting é
- A)reduzir a quantidade de dados no conjunto de teste.
Errada, porque reduzir o conjunto de teste nao evita overfitting e ainda piora a avaliação do modelo.
- B)diminuir o número de dados de treinamento.
Errada, porque diminuir dados de treinamento tende a dificultar o aprendizado e pode até aumentar o risco de overfitting.
- C)utilizar regularização, como L1 ou L2.
Certa, porque regularização L1 ou L2 controla a complexidade do modelo e ajuda a melhorar a generalização.
- D)aumentar a complexidade do modelo.
Errada, porque aumentar a complexidade do modelo geralmente favorece overfitting, nao o combate.
- E)evitar o uso de validação cruzada.
Errada, porque validar cruzadamente ajuda a medir o desempenho e escolher ajustes, mas nao deve ser evitada.
Gabarito: C
Em classificação binária, voce quer um modelo que aprenda o padrão real dos dados, e nao as “manias” do conjunto de treino. Quando o modelo fica sofisticado demais, ele pode decorar exemplos e ir muito bem no treino, mas piorar na vida real: isso é o famoso overfitting. Em prova, a pergunta costuma ser: como ajustar o modelo para generalizar melhor? A resposta mais classica é usar regularização. A regularização funciona como um freio no modelo, punindo pesos muito grandes ou soluções excessivamente complexas. Na prática, isso ajuda a deixar a fronteira de decisão mais simples e menos sensível a ruídos. As formas mais comuns sao L1 e L2: a L1 tende a “enxugar” alguns coeficientes até zerar, e a L2 reduz os pesos de modo mais suave. Por isso o gabarito é a letra C. Ela aponta a técnica geralmente mais adequada para reduzir overfitting sem destruir a capacidade de aprendizado do modelo. É a ideia central em aprendizado de máquina: melhor um modelo um pouco mais simples e estável do que um “gênio nervoso” que acerta o treino e erra no mundo real. Vale lembrar: validação cruzada ajuda a avaliar o modelo e escolher hiperparâmetros, mas nao é, por si só, a medida principal para evitar overfitting. E aumentar complexidade faz justamente o contrário: costuma piorar a generalização. A lógica cobrada pela banca é bem alinhada com a doutrina clássica de machine learning: regularizar para generalizar.