Questão de Fluência em Dados · FGV CVM 2024 (nº 33)

Para saber se um modelo de Aprendizado de Máquina é bom e fará previsões precisas, precisamos testá-lo em dados que ele nunca viu antes, para simular como ele se comportará no mundo real.

• (A) Incorreta: Regressão é um tipo de problema ou algoritmo de Aprendizado de Máquina (para prever valores contínuos), e não um método de avaliação da precisão.
• (B) Correta: O método de treino e teste consiste em dividir os dados disponíveis em dois conjuntos: um para "ensinar" o modelo (treino) e outro para "avaliar" seu desempenho em dados novos (teste), garantindo que a precisão medida seja realista.
• (C) Incorreta: A matriz de confusão é uma ferramenta ou métrica que resulta da avaliação de um modelo (geralmente no conjunto de teste), mostrando o número de acertos e erros de cada classe. Ela é usada dentro do processo de avaliação, mas não é o método fundamental de avaliação em si. A armadilha aqui é que ela é crucial para analisar a precisão, mas o método que permite essa análise em dados não vistos é a divisão treino/teste.
• (D) Incorreta: Aprendizagem por reforço é um paradigma de Aprendizado de Máquina, onde um agente aprende a tomar decisões através de interações com um ambiente, e não um método para medir a precisão de um modelo.
• (E) Incorreta: Bagging (Bootstrap Aggregating) é uma técnica de ensemble usada para melhorar o desempenho de modelos, combinando previsões de múltiplos modelos, e não um método para medir a precisão de um modelo já existente.