Carregando...
Carregando...
Ajude a melhorar a plataforma
Os hiperparâmetros:- número de camadas escondidas e - número de neurônios por camada são fundamentais para o desempenho de uma rede Perceptron Multicamadas (MLP). Ajustar esses hiperparâmetros de forma adequada pode melhorar significativamente a capacidade da rede de aprender e generalizar a partir dos dados de treinamento. Uma configuração inadequada pode resultar em subajuste ou sobreajuste, afetando a eficácia do modelo. Considere que um técnico esteja desenvolvendo uma rede MLP para solução de um problema específico. Tal rede apresenta subajuste durante o treinamento. Uma vez que há um número suficiente de dados de treinamento, o técnico concluiu que a rede não está conseguindo capturar padrões suficientes dos dados de treinamento.
Assinale a alternativa que traz a ação mais adequada para melhorar o desempenho da rede neste caso.
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 E - Aumentar o número de neurônios em cada camada escondida para aumentar a capacidade de aprendizado da rede.
O subajuste (underfitting) ocorre quando o modelo é excessivamente simples para capturar a estrutura subjacente dos dados, resultando em baixo desempenho tanto no treino quanto no teste.
A complexidade de uma rede MLP é determinada principalmente pelo número de camadas e pelo número de neurônios. Se a rede não consegue aprender os padrões mesmo com dados suficientes, ela carece de "capacidade representacional".
Para superar o subajuste, é necessário aumentar a complexidade do modelo, o que é feito através do acréscimo de unidades de processamento (neurônios).
Alternativa E.