Questão de Estatística · FGV MP-SC 2022 (nº 66)

Conceito-chave: O AdaBoost combina vários classificadores fracos (no caso, SVMs) em um modelo forte. Quando esse modelo final fica pesado demais para rodar na plataforma, a solução é poda (pruning): remover os classificadores fracos menos relevantes do conjunto, mantendo a precisão e reduzindo o custo computacional.

• (A) Incorreta: Compressão reduz o tamanho dos dados ou dos parâmetros do modelo (ex.: quantização), mas não remove componentes do ensemble; não ataca diretamente o excesso de classificadores.
• (B) Incorreta: Boosting suavizado não é uma técnica padrão; refere-se a variações que ajustam pesos de forma mais gradual, mas não resolve o problema de custo computacional do modelo final.
• (C) Incorreta: Agregação (joining) é o oposto do que se precisa — juntar mais coisas aumentaria ainda mais a complexidade, não a reduziria.
• (D) Correta: Poda (pruning) é exatamente a técnica de eliminar classificadores fracos redundantes ou de baixo peso do ensemble AdaBoost, mantendo a precisão e reduzindo o número de SVMs a executar, aliviando os requisitos computacionais.
• (E) Incorreta: Boosting parcial refere-se a treinar o ensemble em subconjuntos de dados ou parar o treinamento antes da convergência total, mas não reduz o custo de inferência do modelo já treinado.

Armadilha da banca: A alternativa E) boosting parcial é a mais tentadora, pois o nome sugere "usar menos" — mas ela se refere ao processo de treinamento (parar antes de convergir), não ao modelo final. A poda age depois do treinamento, no modelo pronto, que é exatamente o cenário do problema (modelo já obtido, mas pesado).