Resposta correta
- AQuando um modelo tem um bom desempenho em dados de treinamento, mas um desempenho ruim em dados novos e não vistos
Explicação
O sobreajuste ocorre quando um modelo de aprendizado de máquina aprende os dados de treinamento muito bem, incluindo seu ruído e valores discrepantes, resultando em alta precisão nos dados de treinamento, mas baixa generalização para novos dados não vistos. Este é um conceito fundamental em ML porque o objetivo é criar modelos que tenham um bom desempenho em dados do mundo real, e não apenas nos dados em que foram treinados. No Azure Machine Learning, técnicas como regularização, validação cruzada e parada precoce (early stopping) são usadas para detectar e mitigar o sobreajuste.
Para se aprofundar
O sobreajuste ocorre quando um modelo aprende os dados de treinamento muito bem, incluindo seu ruído e flutuações aleatórias, a ponto de ter um desempenho ruim em dados novos e não vistos. Isso acontece quando o modelo é muito complexo em relação à quantidade de dados de treinamento, ou quando o treinamento é executado por muito tempo sem regularização. O modelo essencialmente memoriza em vez de generalizar. Um sinal sutil é uma grande lacuna entre a precisão de treinamento e de validação. Na prática, o sobreajuste é mitigado por técnicas como validação cruzada, regularização (L1/L2), dropout, parada precoce e aumento dos dados de treinamento. Por exemplo, uma árvore de decisão com profundidade ilimitada pode atingir 100% de precisão de treinamento, mas 60% de precisão de teste, indicando sobreajuste.
Sobre estas questões de prática
Esta é uma das questões de prática originais de AI-900 da Courseiva, escrita para o aprendizado e nunca copiada de provas reais nem de dumps.
Traduzida do original em inglês com IA e conferida quanto ao sentido. Códigos de exame, comandos e nomes de produtos são mantidos como aparecem na prova.