Wayground logo

Free Printable Worksheets

Font size

S
M
L
XL
Worksheets

Revisão AV2 - Machine Learning

Total questions: 25

Worksheet time: 13mins

Name
Class
Date
1.
Na matriz de confusão de um modelo de classificação binária, onde são representados os verdadeiros negativos (TN)?
a)
Canto superior esquerdo
b)
Canto superior direito
c)
Canto inferior esquerdo
d)
Canto inferior direito
e)
Fora da matriz de confusão
2.
O que a soma dos elementos de uma linha na matriz de confusão representa?
a)
Total de instâncias na classe predita
b)
Total de instâncias na classe real
c)
Total de instâncias corretamente classificadas
d)
Total de instâncias incorretamente classificadas
e)
Acurácia do modelo
3.
Qual é a principal função de uma matriz de confusão em avaliação de modelos de classificação?
a)
Representar a distribuição das classes no conjunto de treinamento.
b)
Fornecer informações sobre a acurácia geral do modelo.
c)
Auxiliar na identificação de overfitting durante o treinamento do modelo.
d)
Quantificar o desempenho do modelo ao mostrar a relação entre as classificações corretas e incorretas.
e)
Determinar a complexidade do modelo em relação ao número de features utilizadas.
4.
Como a acurácia é calculada em um problema de classificação binária?
a)
(Verdadeiros Positivos + Verdadeiros Negativos) / Total de Instâncias
b)
Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Positivos)
c)
(Verdadeiros Positivos + Verdadeiros Negativos) / Total de Positivos
d)
(Verdadeiros Positivos + Falsos Negativos) / Total de Instâncias
e)
(Falsos Positivos + Falsos Negativos) / Total de Instâncias
5.
Em um problema de classificação com três classes, como a acurácia é calculada?
a)
Média das acurácias de cada classe.
b)
Soma das acurácias de cada classe.
c)
Máxima acurácia entre as classes.
d)
Soma dos acertos em todas as classes dividida pelo total de instâncias.
e)
Produto das acurácias de cada classe.
6.
Em um cenário onde as classes estão desbalanceadas, por que a acurácia pode não ser uma métrica ideal para avaliar o desempenho do modelo?
a)
Porque a acurácia só leva em consideração os verdadeiros positivos.
b)
Porque a acurácia não considera a proporção entre classes.
c)
Porque a acurácia é influenciada pela sensibilidade do modelo.
d)
Porque a acurácia não leva em conta os falsos positivos.
e)
Porque a acurácia é sempre uma métrica ideal, independentemente do balanceamento das classes.
7.
Se um modelo de classificação tem uma acurácia de 90%, o que isso significa em termos percentuais de erro?
a)
90% de erro.
b)
10% de erro.
c)
9% de erro.
d)
1% de erro.
e)
100% de erro.
8.
Em um problema de classificação binária, se a acurácia do modelo é 80%, como você interpreta isso em relação ao desempenho geral?
a)
O modelo está indo bem, pois a acurácia é alta.
b)
O modelo está indo mal, pois a acurácia deveria ser próxima de 100%.
c)
Não é possível avaliar o desempenho sem conhecer outras métricas.
d)
O modelo é perfeito, pois atingiu 80% de acurácia.
e)
A acurácia não fornece informações úteis sobre o desempenho.
9.
Como o recall é calculado em um problema de classificação binária?
a)
Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)
b)
(Verdadeiros Positivos + Verdadeiros Negativos) / Total de Instâncias
c)
Verdadeiros Negativos / (Verdadeiros Positivos + Verdadeiros Negativos)
d)
(Falsos Positivos + Falsos Negativos) / Total de Instâncias
e)
(Verdadeiros Positivos + Falsos Negativos) / Total de Positivos
10.
Como a precisão é calculada em um problema de classificação binária?
a)
Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Negativos)
b)
(Verdadeiros Positivos + Verdadeiros Negativos) / Total de Instâncias
c)
Verdadeiros Positivos / (Verdadeiros Positivos + Falsos Positivos)
d)
(Falsos Positivos + Falsos Negativos) / Total de Instâncias
e)
(Verdadeiros Positivos + Falsos Negativos) / Total de Positivos
11.
Qual é a diferença entre validação cruzada e uma divisão simples de treinamento/teste em aprendizado de máquina?
a)
Na validação cruzada, o mesmo conjunto de teste é usado várias vezes, enquanto em uma divisão simples, é usado apenas uma vez.
b)
Na validação cruzada, não há conjunto de teste; o modelo é avaliado apenas no conjunto de treinamento.
c)
Na validação cruzada, o conjunto de teste é maior do que em uma divisão simples.
d)
Na validação cruzada, o conjunto de treinamento é dividido em subconjuntos menores chamados "folds" para avaliação, enquanto em uma divisão simples, há apenas uma divisão.
e)
Na validação cruzada, o conjunto de treinamento é usado para treinamento, e o conjunto de teste é usado para validação, enquanto em uma divisão simples, o modelo é treinado apenas no conjunto de treinamento.
12.
Qual é uma desvantagem comum da técnica hold-out?
a)
Pode resultar em uma estimativa enviesada do desempenho do modelo.
b)
Requer mais tempo de computação do que a validação cruzada.
c)
É menos suscetível ao overfitting.
d)
Funciona melhor em conjuntos de dados pequenos.
e)
Não permite ajustar hiperparâmetros do modelo.
13.
O que é uma desvantagem potencial da validação cruzada em comparação com a técnica hold-out?
a)
Menor representatividade do conjunto de teste.
b)
Menos eficiente em conjuntos de dados grandes.
c)
Maior tempo de computação.
d)
Necessidade de ajuste de hiperparâmetros.
e)
Suscetibilidade a overfitting.
14.
Qual é o propósito da função de ativação em um neurônio de uma rede neural?
a)
Iniciar o processo de aprendizado.
b)
Determinar se o neurônio será ativado ou não.
c)
Controlar a velocidade de treinamento.
d)
Definir o número de neurônios em uma camada.
e)
Ajustar os pesos sinápticos.
15.
Qual é o componente básico de uma Rede Neural Artificial que serve como a unidade computacional fundamental?
a)
Dados de entrada.
b)
Hiperparâmetros.
c)
Algoritmos de otimização.
d)
Neurônio.
e)
Camada de saída.
16.
O que caracteriza a capacidade de uma Rede Neural Artificial de generalizar a partir dos dados de treinamento?
a)
Alta sensibilidade a ruídos nos dados.
b)
Baixa capacidade de ajuste de hiperparâmetros.
c)
Habilidade de aplicar conhecimento a novos dados não vistos durante o treinamento.
d)
Dependência exclusiva de dados de validação.
e)
Tamanho grande do conjunto de treinamento.
17.
O que é uma camada de saída em uma RNA e qual é a sua função?
a)
A última camada, responsável por receber os dados de entrada.
b)
A camada que aplica a função de ativação.
c)
A camada que realiza operações lógicas complexas.
d)
A camada que produz as saídas finais da rede.
e)
Nenhuma das alternativas.
18.
O que representa a taxa de aprendizado no contexto do ajuste de peso em uma Rede Neural Artificial?
a)
O número de neurônios em cada camada.
b)
A velocidade de treinamento da rede.
c)
A média dos pesos sinápticos.
d)
O intervalo entre épocas de treinamento.
e)
A taxa de variação dos dados de entrada.
19.
O que pode acontecer se os pesos em uma RNA não forem ajustados adequadamente durante o treinamento?
a)
A rede irá treinar mais rapidamente.
b)
A rede terá uma melhor generalização para novos dados.
c)
A convergência pode ser prejudicada, resultando em desempenho insatisfatório.
d)
A rede terá menor sensibilidade aos padrões nos dados.
e)
A precisão do modelo será sempre alta.
20.
O que caracteriza um Perceptron em uma Rede Neural?
a)
Não possui função de ativação.
b)
Contém apenas uma camada de neurônios.
c)
É um tipo de função de custo.
d)
Pode ter múltiplas camadas ocultas.
e)
Usa a função de ativação sigmoid.
21.
O que acontece se um conjunto de dados não for linearmente separável no contexto do Perceptron?
a)
O Perceptron ajusta os pesos para encontrar a melhor separação linear possível.
b)
O Perceptron não consegue aprender a relação entre os dados.
c)
O treinamento será mais rápido.
d)
O Perceptron convergirá para uma solução subótima.
e)
O Perceptron sempre encontra uma solução ótima.
22.
Qual é a função de ativação comumente usada em um Perceptron?
a)
Tangente hiperbólica.
b)
ReLU (Rectified Linear Unit).
c)
Função logística (sigmoid).
d)
Softmax.
e)
Função degrau.
23.

No contexto do Aprendizado Não Supervisionado, qual é o principal objetivo ao analisar um conjunto de dados que não possui rótulos ou classes previamente definidas?

a)

Mapear as variáveis de entrada para uma variável de saída contínua de forma precisa.

b)

Descobrir estruturas, padrões ocultos ou agrupamentos naturais inerentes aos dados.

c)

Maximizar a margem de separação entre diferentes classes utilizando vetores de suporte.

d)

Treinar um modelo usando feedback baseado em recompensas e punições por ações tomadas.

24.

A clusterização (ou agrupamento) é uma técnica fundamental em ciência de dados. Qual das seguintes situações descreve corretamente uma característica ou limitação geral das métricas de avaliação de clusterização?

a)

A validação externa (como a Pureza) exige o conhecimento prévio de rótulos reais (ground truth), limitando seu uso prático em dados totalmente novos.

b)

Métricas internas, como o Coeficiente de Silhueta, avaliam os clusters com base apenas na distância entre o centróide e a origem dos eixos.

c)

Diferente da classificação, a clusterização sempre garante uma única solução global ideal, independente do algoritmo escolhido.

d)

A clusterização serve apenas como uma etapa visual e não pode ser utilizada para engenharia de recursos (feature engineering).

25.

Durante a execução do algoritmo K-means, o cientista de dados percebe que o resultado final mudou drasticamente após rodar o código uma segunda vez com os mesmos dados. Qual característica do K-means explica esse comportamento?

a)

O algoritmo recalcula dinamicamente a variância dos dados a cada iteração, alterando a estrutura do espaço de características.

b)

O algoritmo atualiza o número K de clusters automaticamente ao detectar dados discrepantes (outliers).

c)

O algoritmo é sensível à inicialização aleatória dos centróides, o que pode fazer com que ele convirja para mínimos locais diferentes.

d)

A distância Euclidiana utilizada pelo algoritmo se modifica de forma estocástica a cada nova execução.

Similar Resources on Wayground

Parcial Telemática

20 questions

Parcial Telemática

quiz

Worksheet

•

University

HO - 41 Describe los fundamentos de la detección de objetos

20 questions

HO - 41 Describe los fundamentos de la detección de objetos

quiz

Worksheet

•

University

Examen de TIC en Turismo

20 questions

Examen de TIC en Turismo

quiz

Worksheet

•

12th Grade - University

R3.10 séance 1: Management des Systèmes d’Information (Séance 1)

20 questions

R3.10 séance 1: Management des Systèmes d’Information (Séance 1)

quiz

Worksheet

•

University

Kuis Anonimitas dalam Sistem Digital

20 questions

Kuis Anonimitas dalam Sistem Digital

quiz

Worksheet

•

University

Revisão - Processos de Desenvolvimento de Software

20 questions

Revisão - Processos de Desenvolvimento de Software

quiz

Worksheet

•

University

Categorías semántica

20 questions

Categorías semántica

quiz

Worksheet

•

11th Grade - University

Módulo 4 - Microsoft Word

20 questions

Módulo 4 - Microsoft Word

quiz

Worksheet

•

4th Grade - University