Carregando...
Carregando...
Ajude a melhorar a plataforma
A escolha do modelo ideal depende não apenas da acurácia, mas também de outros critérios, como complexidade e tempo de execução. Modelos mais simples podem ser preferidos em casos de restrições de recursos. Assim, a comparação deve considerar eficiência, interpretabilidade e escalabilidade.
Com relação a este contexto e sobre o conteúdo estudado, avalie as asserções a seguir e a relação proposta entre elas.
I. Os critérios internos avaliam a qualidade do modelo com base nos próprios dados de treinamento, sem levar em consideração informações externas.
PORQUE
II. O erro de treinamento nos critérios internos é a métrica mais complexa, que mede o erro entre as previsões do modelo e os valores reais no conjunto de treinamento.
A respeito dessas asserções, assinale a alternativa correta.
Explique melhor esta questão
Abre o Tutor com o enunciado e as alternativas já no campo — você revisa e envia.
Esta questão foi verificada por um de nossos administradores.
Alternativa D - A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.
A avaliação de modelos de aprendizado de máquina pode ser feita através de critérios internos e externos. Critérios internos focam na aderência do modelo aos dados fornecidos originalmente.
| Característica | Critério Interno | Critério Externo (Validação) | | :--- | :--- | :--- | | Base de dados | Treinamento | Teste / Validação | | Objetivo | Ajuste (Fit) | Generalização | | Risco | Overfitting | Estimativa real de erro |
Embora a primeira asserção defina corretamente o que são critérios internos, a segunda afirma incorretamente que o erro de treinamento é a métrica mais complexa, quando na verdade é a métrica base inicial de qualquer otimização de modelo.
Alternativa D.