Overfitting
Categoria
Fundamentos de IA
Overfitting ocorre quando um modelo de ML se ajusta demais aos dados de treinamento, memorizando ruidos e padroes irrelevantes, resultando em baixa capacidade de generalizacao para dados novos.
Categoria
Fundamentos de IA
Compartilhar
O que e Overfitting?
Overfitting (Sobreajuste) acontece quando um modelo de Machine Learning memoriza os dados de treinamento em vez de aprender padroes generalizaveis. O modelo apresenta desempenho excelente nos dados de treinamento, mas falha ao fazer previsoes com dados novos.
Sinais de Overfitting
- Alta acuracia no treino, baixa acuracia no teste
- Modelo muito complexo para o volume de dados
- Curvas de aprendizado divergentes (treino vs validacao)
Tecnicas de Prevencao
- Regularizacao (L1, L2)
- Dropout em redes neurais
- Cross-Validation
- Data Augmentation
- Early Stopping
- Reducao de complexidade do modelo
Relacao com Underfitting
O oposto do overfitting e o underfitting, onde o modelo e simples demais. O objetivo e encontrar o equilibrio ideal entre complexidade e generalizacao — o chamado bias-variance tradeoff. Na Trilion, monitorar e prevenir overfitting e pratica padrao em todos os projetos de IA.
