Uma prefeitura criou um modelo para prever enchentes usando dados pluviométricos das áreas centrais da cidade. Contudo, quando este modelo é aplicado em bairros de periferia, o modelo não consegue prever adequadamente as enchentes. Esse problema decorre de:

Alternativa C - Viés de dados por representar apenas uma região, comprometendo a generalização do modelo.

Análise da Questão

O cenário apresentado descreve um problema fundamental na construção de modelos de inteligência artificial e análise de dados: a falta de representatividade dos dados de treinamento.

Quando um modelo é treinado exclusivamente com dados de uma área específica (centro da cidade), ele aprende padrões que são válidos apenas para aquela região. Ao tentar aplicar esse conhecimento em um contexto diferente (periferia), as previsões tornam-se imprecisas.

Justificativa Detalhada

O problema ocorre devido aos seguintes fatores técnicos:

• Viés de Amostragem: Os dados utilizados para treinar o modelo não representam a população total ou a diversidade da cidade inteira. Eles capturam apenas a realidade das áreas centrais.
• Falha na Generalização: Um bom modelo deve ser capaz de prever resultados em situações novas e diversas. Como a periferia possui características distintas (tipo de solo, drenagem, impermeabilização do chão), o modelo não consegue "entender" essas variáveis porque nunca as viu durante o treinamento.
• Condições Ambientais Diferentes: Enchentes dependem de múltiplos fatores além da chuva. Se o centro tem mais concreto e menos absorção, e a periferia tem solos diferentes, usar apenas dados pluviais do centro ignora essas diferenças estruturais.

Por que as outras alternativas estão incorretas?

Em resumo, para corrigir o problema, a prefeitura precisaria coletar dados de várias partes da cidade (central + periférica) para garantir que o modelo aprenda os padrões reais de todos os territórios.