O subajuste (underfitting) e o sobreajuste (overfitting) podem ocorrer no treinamento de redes de Pe...

Alternativa A - Implementar a regularização L2, estabelecendo um limite para os pesos, evitando super especialização ou saturação sináptica.

Introdução

O sobreajuste (overfitting) acontece quando a rede "decora" os dados de treinamento, incluindo seus ruídos, perdendo a capacidade de generalizar para dados novos.

Desenvolvimento

Técnicas de regularização são projetadas para desencorajar a complexidade excessiva do modelo. A regularização L2 (também conhecida como Weight Decay) adiciona uma penalidade ao erro da rede baseada no quadrado da magnitude dos pesos.

Análise

• Regularização L2 (A): Força os pesos a serem menores, o que suaviza a função de mapeamento e impede que o modelo se torne sensível demais a pequenas variações nos dados de treino.
• Diminuir dados (B): Geralmente piora o overfitting; modelos complexos precisam de mais dados para generalizar.
• Aumentar neurônios (E): Isso aumenta a complexidade e, consequentemente, o risco de sobreajuste.
• Taxa de aprendizagem (C): Não é uma técnica direta de combate ao overfitting, embora afete a dinâmica do treino.

Conclusão

A regularização L2 é uma das estratégias mais eficazes e utilizadas para mitigar o sobreajuste em redes neurais profundas.

Alternativa A.