Underfitting e overfitting

Em ciência de dados e aprendizado de máquina, underfitting e overfitting descrevem problemas relacionados à capacidade de um modelo aprender padrões a partir dos dados.

O underfitting acontece quando o modelo é simples demais. Ele não consegue capturar os padrões básicos dos dados, resultando em desempenho ruim tanto nos dados de treino quanto em novos dados. Nesse caso, o modelo aprende pouco.

O overfitting ocorre quando o modelo se ajusta demais aos dados de treino. Ele aprende ruído, exceções e detalhes específicos daquele conjunto de dados, perdendo capacidade de generalização. O desempenho nos dados de treino é alto, mas cai em dados novos.

Entre os dois extremos está o equilíbrio desejado: um modelo que aprende padrões relevantes sem memorizar os dados. Ajustar esse equilíbrio envolve escolha de modelo, quantidade de dados, regularização e validação adequada.