Alternativa B
O problema apresentado descreve uma situação clássica de aprendizado de máquina onde o modelo falha ao identificar uma variação específica de uma classe que não foi representada adequadamente durante o treinamento.
Análise do Cenário
O modelo precisa distinguir entre três materiais: plástico, metal e vidro. O erro ocorre especificamente com latas de alumínio amassadas. Isso indica que o conjunto de dados de treinamento provavelmente continha predominantemente latas lisas ou objetos metálicos com formas distintas, fazendo com que o algoritmo associasse características visuais erradas à classe "Metal".
Para corrigir isso, é necessário preencher a lacuna nos dados de treinamento.
Avaliação das Alternativas
- (A) Melhorar a qualidade visual das imagens: Embora imagens mais nítidas ajudem, elas não resolvem o problema se o modelo nunca viu esse tipo específico de objeto (lata amassada) antes. A resolução não ensina o conceito de "metal amassado".
- (B) Adicionar novas fotos de latas amassadas, corretamente rotuladas, e re-treinar o modelo: Esta é a solução correta. Ao adicionar exemplos específicos do caso de erro (latas amassadas) e garantir que estejam rotulados como "Metal", você expande a diversidade dos dados. O modelo aprenderá que o formato amassado ainda pertence à categoria de metal.
- (C) Usar exclusivamente imagens com fundo branco: Padronizar o fundo ajuda na pré-processamento, mas não resolve a confusão intrínseca sobre as características do objeto em si. Se o modelo não conhece a textura/forma da lata amassada, mudar o fundo não o fará reconhecer o material correto.
- (D) Reduzir o número de exemplos de plástico: Reduzir dados de uma classe pode causar desbalanceamento (class imbalance), o que geralmente piora o desempenho do modelo, tornando-o menos preciso para todas as categorias.
Conclusão
Em machine learning, a regra de ouro para corrigir erros de classificação é aumentar a representação da variável problemática no conjunto de treinamento. Como o modelo confundiu a forma/amassado com outra classe, fornecer mais exemplos dessa variação específica é a ação direta e eficaz.