Carregando...
Carregando...
Ajude a melhorar a plataforma
A validação cruzada é uma técnica utilizada para mensurar e ajudar a aumentar o desempenho de um modelo de aprendizado de máquina, possibilitando que o modelo generalize melhor para novos dados. Suponha que após o desenvolvimento da rede, você inicie o treinamento da rede e sua validação, utilizando a validação cruzada, com o objetivo de reduzir a chance de uma divisão inadequada entre dados de treino e de validação. Assinale a alternativa que melhor descreve a técnica de validação cruzada.
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 o conjunto de dados em n subconjuntos (ou folds). O processo de treino e validação é executado n vezes. Fazendo i variar de 1 a n, a cada execução o subconjunto i será usado para validação, e os demais para treino.
A validação cruzada (Cross-Validation) é uma técnica estatística robusta para avaliar a capacidade de generalização de um modelo de aprendizado de máquina, reduzindo o viés associado a uma única divisão de dados.
O método mais comum é o k-fold cross-validation. Nele, o conjunto de dados total é particionado em k subconjuntos de tamanhos aproximadamente iguais. O modelo é treinado k vezes, utilizando um subconjunto diferente como teste/validação a cada rodada e os demais como treino.
| Técnica | Descrição | | :--- | :--- | | K-Fold (C) | Divide em n partes, alterna a validação n vezes. Garante que todos os dados sejam usados para treino e teste. | | Hold-out (B) | Divisão fixa (ex: 75/25). Pode sofrer com amostras não representativas. | | Hyperparameter Tuning (E) | Ajuste de taxas de aprendizado, não é a definição de validação cruzada em si. |
A alternativa C descreve exatamente o procedimento cíclico que caracteriza a validação cruzada, permitindo uma estimativa mais confiável do desempenho do modelo em dados não vistos.
Alternativa C.