Questão 98982

Modelos ensemble, como Random Forest e Gradient Boosting, são conhecidos por sua alta performance. Embora ambos utilizem árvores de decisão como seus estimadores base, eles operam de maneiras fundamentalmente diferentes, impactando o trade-off viés-variância de formas distintas. Analise as afirmativas que contrastam os dois métodos.

I. Random Forest é um método de bagging que treina múltiplas árvores de decisão profundas em paralelo, cada uma em uma subamostra diferente dos dados (com reposição). Ele reduz a variância do modelo final pela média das previsões das árvores individuais, que são modelos de baixo viés e alta variância.

II. Gradient Boosting é um método de boosting que constrói as árvores de forma sequencial e aditiva. Cada nova árvore é treinada para corrigir os erros (resíduos) da árvore anterior. Esse processo tende a reduzir o viés do modelo final, utilizando árvores 'fracas' (rasas), que são modelos de alto viés e baixa variância.

III. O Random Forest é inerentemente mais paralelizável que o Gradient Boosting, pois as árvores podem ser construídas de forma independente, enquanto no Gradient Boosting a construção de uma árvore depende do resultado da anterior.

IV. O Gradient Boosting é mais suscetível a overfitting do que o Random Forest se o número de árvores for muito grande, pois o foco contínuo na correção dos erros pode levar o modelo a se ajustar ao ruído dos dados de treinamento.

É correto o que se afirma em: