A escolha do modelo ideal depende não apenas da acurácia, mas também de outros critérios, como compl...

Alternativa D - A asserção I é uma proposição verdadeira, e a II é uma proposição falsa.

Introdução

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.

Desenvolvimento

1. Critérios Internos: São métricas calculadas sobre o conjunto de dados usado para treinar o modelo. Exemplos incluem o erro quadrático médio (MSE) de treinamento e o coeficiente de determinação ($R^2$).
2. Erro de Treinamento: Reflete o quão bem o modelo "decorou" ou se ajustou aos dados de entrada.

Análise

• Asserção I: É verdadeira. Por definição, critérios internos olham para dentro do processo de treinamento, sem utilizar um conjunto de validação ou teste externo.
• Asserção II: É falsa. O erro de treinamento não é a métrica "mais complexa"; na verdade, é frequentemente a mais simples e direta de se obter. Além disso, o erro de treinamento sozinho é insuficiente para validar um modelo, pois não indica se o modelo funcionará com novos dados (problema de generalização).

| Característica | Critério Interno | Critério Externo (Validação) | | :--- | :--- | :--- | | Base de dados | Treinamento | Teste / Validação | | Objetivo | Ajuste (Fit) | Generalização | | Risco | Overfitting | Estimativa real de erro |

Conclusão

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.