Questão 42 — Aprendizado de Máquina — Validação Cruzada (Ciência de Dados) — Cebraspe · Instituto de Proteção Ambiental do Amazonas (IPAAM) 2026

Ciência de Dados Aprendizado de Máquina — Validação Cruzada

Cebraspe 2026 Superior

Instituto de Proteção Ambiental do Amazonas (IPAAM) · Cargo 2: Analista Ambiental – Especialidade: Análise de Sistemas

Gabarito disponível

No IPAAM, analistas ambientais desenvolvem um sistema para análise preditiva de desmatamento na Amazônia, utilizando técnicas de aprendizado de máquina. Nesse contexto, o modelo treinado classifica áreas de floresta como suscetíveis ou não a degradação, com base em dados geoespaciais e históricos.
No processo de treinamento do modelo de classificação, o método utilizado para ajustar os parâmetros e minimizar erros de predição envolve

Selecione uma alternativa A) treinamento iterativo em todo o dataset, sem conjunto de validação separado para otimização. B) separação estratificada dos dados, garantindo-se equilíbrio de classes apenas no conjunto de teste. C) aplicação de validação cruzada k-fold adaptada para séries temporais, preservando-se dependência sequencial. D) divisão aleatória dos dados em grupos para validação cruzada, sem se considerar ordem temporal. E) uso exclusivo de divisão treino/teste com proporção fixa 80/20, ignorando-se validação intermediária.

Resolução comentada

Para dados com dependência temporal, usa-se validação cruzada adaptada a séries temporais.

Na análise preditiva de desmatamento, os dados geoespaciais e históricos têm dependência sequencial. A validação cruzada k-fold adaptada a séries temporais (como o time series split) preserva a ordem cronológica e evita vazamento de dados do futuro para o treino. Segundo o gabarito, é o método adequado para ajustar parâmetros e minimizar erros de predição.

Análise das alternativas

A) Sem conjunto de validação separado não se avalia a generalização e há risco de overfitting. B) Equilibrar classes só no teste não é uma boa prática. D) A divisão aleatória ignora a ordem temporal e pode causar vazamento. E) A divisão fixa 80/20 sem validação intermediária não permite ajuste robusto de parâmetros.

Referência: Validação cruzada (k-fold e time series split), scikit-learn; Hastie et al., The Elements of Statistical Learning.

Resolução comentada do VaiConcursos.