Overfitting
Categoria
Fundamentos de IA
Overfitting ocorre quando um modelo de ML se ajusta demais aos dados de treinamento, memorizando ruidos é padrões irrelevantes, resultando em baixa capacidade de generalização para dados novos.
Categoria
Fundamentos de IA
Compartilhar
O que é Overfitting?
Overfitting (Sobreajuste) acontece quando um modelo de Machine Learning memoriza os dados de treinamento em vez de aprender padrões generalizaveis. O modelo apresenta desempenho excelente nos dados de treinamento, mas falha ao fazer previsões 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 é o underfitting, onde o modelo é simples demais. O objetivo é encontrar o equilíbrio ideal entre complexidade é generalização — o chamado bias-variance tradeoff. Na Trilion, monitorar é prevenir overfitting é prática padrão em todos os projetos de IA.
