Questão 232013 · 58ª da prova
FGV 2026 – DATAPREV – Analista de Tecnologia da Informação: Inteligencia Artificial
- Banca
- FGV
- Órgão
- DATAPREV
- Ano
- 2026
- Cargo
- Analista de Tecnologia da Informação
- Matéria
- Engenharia de Software
- Assunto
- Inteligencia Artificial
Uma equipe de Ciência de Dados construiu uma rede neural
profunda para prever a taxa de cancelamento de clientes em uma
grande plataforma. Durante a fase de validação, os engenheiros
notaram que o modelo apresentava uma acurácia próxima de 99%
no conjunto de dados de treino, mas o desempenho despencava
para 62% no conjunto de testes. Para combater esse problema de
sobreajuste, a liderança técnica solicitou a aplicação de técnicas de
regularização baseadas na penalização da função de perda por
meio de normas (L1 e L2), visando melhorar a capacidade de
generalização do modelo e limitar o crescimento excessivo dos
pesos.
Considerando o comportamento e o impacto teórico das penalizações pela norma L1 (Lasso) e pela norma L2 (Decaimento de Pesos) nas redes neurais artificiais, assinale a afirmativa correta.
Considerando o comportamento e o impacto teórico das penalizações pela norma L1 (Lasso) e pela norma L2 (Decaimento de Pesos) nas redes neurais artificiais, assinale a afirmativa correta.
- AA regularização L1 adiciona a soma dos quadrados dos pesos à função de perda, o que reduz os pesos de forma suave e contínua, enquanto a regularização L2 adiciona a soma dos valores absolutos, forçando muitos coeficientes a zerarem exatamente e gerando modelos mais esparsos.
- BO principal objetivo da norma L1 é eliminar o problema do desaparecimento do gradiente, enquanto a norma L2 é aplicada exclusivamente na camada de entrada para ignorar outliers do conjunto de dados de teste.
- CA regularização L2 penaliza o quadrado da magnitude dos pesos, empurrando os coeficientes em direção a zero sem zerá-los completamente; já a regularização L1 penaliza o valor absoluto dos pesos, o que pode zerar parâmetros irrelevantes e atuar como um mecanismo automático de seleção de recursos.
- DAmbas as regularizações (L1 e L2) alteram a função de ativação das camadas ocultas para funções lineares, garantindo que o erro da rede diminua tanto no treino quanto no teste sem afetar o valor dos pesos conectados.
- EAo aplicar a norma L2, a rede neural gera um modelo com matrizes de pesos esparsas (com muitos valores nulos), o que torna a inferência mais rápida na nuvem, enquanto a norma L1 apenas distribui os pesos igualmente entre todos os neurônios da rede.