Os hiperparâmetros:- número de camadas escondidas e - número de neurônios por camada são fundamentai...

Alternativa E - Aumentar o número de neurônios em cada camada escondida para aumentar a capacidade de aprendizado da rede.

Introdução

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.

Desenvolvimento

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".

Análise

• Aumentar Neurônios (E): Adicionar neurônios aumenta o número de parâmetros (pesos) e permite que a rede aprenda funções mais complexas e não lineares.
• Reduzir Camadas (C): Isso agravaria o problema de subajuste, tornando o modelo ainda mais simples.
• Taxa de Aprendizagem (A/B): Ajustar a taxa de aprendizagem ajuda na convergência, mas não altera a capacidade máxima de representação da rede.
• Diminuir Dados (D): Reduzir a base de dados não ajuda o modelo a aprender padrões complexos; pelo contrário, costuma prejudicar o treinamento.

Conclusão

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.