• AO modelo sofreu overfitting, pois a alta acurácia no treinamento indica que ele memorizou os dados históricos, incluindo ruídos e particularidades, e não conseguiu generalizar para o novo contexto; a solução envolveria técnicas de regularização, como dropout e early stopping, além de validação cruzada.
• BO modelo sofreu underfitting, pois não conseguiu capturar a complexidade dos dados históricos, o que explica o baixo desempenho em ambos os conjuntos; a solução seria aumentar a profundidade da rede neural e o número de épocas de treinamento.
• CO modelo apresentou data drift, que é a mudança na distribuição dos dados de entrada ao longo do tempo; a solução seria re-treinar o modelo com dados mais recentes, mas sem necessidade de alterar a arquitetura ou as técnicas de regularização.
• DO modelo sofreu overfitting e data drift simultaneamente, mas a causa principal é o data drift, pois a mudança legislativa alterou a relação entre as variáveis e o alvo; a solução seria apenas coletar mais dados históricos para aumentar o conjunto de treinamento.
• EO modelo apresentou alta variância e baixo viés, o que é desejável em aprendizado profundo, mas a mudança legislativa introduziu concept drift, que requer exclusivamente a substituição da função de ativação para melhorar a adaptabilidade.

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

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