Questão 98952

As técnicas de regularização são cruciais para prevenir o overfitting em modelos de Machine Learning, adicionando um termo de penalidade à função de custo. As regularizações L1 (Lasso) e L2 (Ridge) são as mais comuns. Analise as características abaixo, que comparam essas duas técnicas.

I. A regularização L1 adiciona uma penalidade igual ao valor absoluto dos coeficientes (norma L1), enquanto a L2 adiciona uma penalidade igual ao quadrado dos coeficientes (norma L2).

II. Uma propriedade distintiva da regularização L1 é que ela pode levar alguns coeficientes de features a serem exatamente zero, realizando assim uma seleção automática de características (feature selection), o que a torna útil em cenários com muitas features irrelevantes.

III. A regularização L2 tende a distribuir o peso entre todas as features, encolhendo os coeficientes para perto de zero, mas sem zerá-los completamente. É particularmente eficaz quando a maioria das features tem alguma relevância para o resultado.

IV. Do ponto de vista geométrico, a restrição da regularização L1 forma uma região em formato de diamante (ou hiper-losango), enquanto a restrição da L2 forma uma região esférica (ou hiper-esfera), o que explica por que a L1 tem maior probabilidade de encontrar soluções nos vértices (coeficientes zero).

É correto o que se afirma em: