• AO modelo de regressão logística apresenta underfitting, pois seu erro de treino é maior que o da árvore de decisão, indicando que não conseguiu capturar a complexidade dos dados.
• BO modelo de árvore de decisão apresenta overfitting, e uma estratégia adequada para mitigar esse problema é aumentar a profundidade máxima da árvore, permitindo que ela generalize melhor.
• CO modelo de árvore de decisão apresenta alto viés e baixa variância, enquanto a regressão logística apresenta baixo viés e alta variância, o que explica a diferença de desempenho nos conjuntos de treino e teste.
• DO modelo de regressão logística apresenta um bom equilíbrio entre viés e variância, enquanto a árvore de decisão sofre de overfitting; para este último, uma técnica recomendada é a poda (pruning) ou a limitação da profundidade máxima.
• EA diferença entre os erros de treino e teste da árvore de decisão é esperada e não indica problema, pois o modelo com menor erro de treino sempre será o melhor para generalização, desde que o erro de teste seja aceitável.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.