Um modelo de risco de crédito mostra 99% de acurácia de treinamento, mas apenas 82% de acurácia de validação. A empresa precisa corrigir essa lacuna de desempenho antes da implantação. Quais medidas abordam o overfitting e melhoram a generalização?

A alta acurácia de treinamento com baixa acurácia de validação indica overfitting. Implementar camadas de dropout desativa aleatoriamente neurônios durante o treinamento, forçando o modelo a aprender representações mais robustas e menos dependentes de neurônios específicos. A regularização L1 ou L2 adiciona um termo de penalidade à função de perda, desencorajando pesos grandes e simplificando o modelo. A validação cruzada k-fold ajuda a obter uma estimativa mais robusta do desempenho do modelo em dados não vistos, identificando overfitting e garantindo que o modelo generalize bem. As outras opções são incorretas porque: Adicionar mais camadas densas aumentaria a complexidade, piorando o overfitting. PCA pode reduzir a dimensionalidade, mas não aborda diretamente o overfitting do modelo. Diminuir camadas pode subajustar o modelo. Aumentar o conjunto de dados de treinamento pode ajudar, mas não é uma medida direta de regularização do modelo. Remover duplicatas e amostragem estratificada são boas práticas, mas não resolvem o overfitting inerente ao modelo.