Carregando...
Carregando...
Ajude a melhorar a plataforma
Uma aplicação prática de validação cruzada em aprendizado de máquinas é na seleção de modelos e ajuste de hiperparâmetros durante o desenvolvimento de um modelo de previsão, como na predição de preços de imóveis. Suponha que você tenha um conjunto de dados contendo informações sobre imóveis (como área, número de quartos, localização, etc.) e deseja criar um modelo para prever os preços de venda dos imóveis com base nessas características. A validação cruzada é uma prática recomendada para este tipo de aplicação comercial.
Nesse sentido, assinale a alternativa que recorda o critério comumente usado para validar o desempenho de modelos preditivos em aprendizado de máquina.
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 C - Dividir os dados em conjunto de treinamento e teste, avaliando o modelo nos dados de teste, geralmente conhecido como "validação holdout".
A validação de modelos é uma etapa crítica no aprendizado de máquina para garantir que o modelo desenvolvido seja capaz de generalizar para dados novos e não vistos, evitando problemas como o overfitting.
Existem diversas técnicas de validação, sendo a mais básica o Holdout. Nela, o dataset original é dividido (ex: 70% para treino e 30% para teste). O modelo aprende os padrões no conjunto de treinamento e sua performance real é medida no conjunto de teste, que simula o ambiente de produção.
Para validar a eficácia de um modelo preditivo (como o de preços de imóveis), é essencial separar uma parte dos dados que o modelo nunca viu durante o aprendizado para servir de gabarito imparcial.
Alternativa C.