Alternativa correta: E (Errado)

Tema central da questão: A questão aborda overfitting em modelos de deep learning — um dos conceitos mais importantes na área de aprendizado de máquina e mineração de dados.

Resumo teórico: Overfitting ocorre quando um modelo aprende excessivamente os detalhes e ruídos dos dados de treinamento, perdendo a capacidade de generalizar para novos dados (dados de teste). Isso resulta em alta precisão apenas nos dados de treinamento, enquanto o desempenho cai significativamente em dados nunca vistos antes. O objetivo ideal de um modelo é conseguir generalizar — ou seja, ter uma boa performance em dados de teste, não apenas nos dados usados para treinar o modelo.

Fontes confiáveis como o livro "Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" de Aurélien Géron e guias do Google Machine Learning Crash Course reforçam que overfitting é detectado justamente quando há grande diferença entre desempenho no treinamento e no teste.

Justificativa da alternativa correta:
A questão afirma que overfitting ocorre quando o modelo tem alta precisão tanto nos dados de treinamento quanto de teste, indicando boa generalização. Isto está errado. Nestes casos, quando o modelo vai bem em ambos, significa que ele está generalizando adequadamente (underfitting seria o oposto: quando o modelo não aprende o suficiente). Overfitting é caracterizado por um alto desempenho no treinamento, mas baixo desempenho no teste.

Como interpretar o enunciado:
Ao ler frases como “alta precisão tanto no treinamento quanto no teste”, desconfie: isso indica generalização boa, não overfitting. Observe sempre se as alternativas falam sobre o comportamento comparativo entre treinamentos e novos dados.

Pegadinhas comuns:
Muitos confundem alta performance geral com overfitting. Fique atento: overfitting sempre implica falha em generalizar.

Resumo final:
A alternativa está ERRADA porque descreve o oposto do overfitting. Overfitting é quando o modelo só vai bem nos dados vistos durante o treinamento e falha em dados novos.

Gostou do comentário? Deixe sua avaliação aqui embaixo!

Errado

Overfitting tem alta precisão nos modelos de treinamento, mas não generaliza bem.

Overfitting --> Bom treinando e mal jogando.

underfitting --> o cara não é bom em nada.

ERRADO

Julgamento do item: Errado.

O overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treinamento (apresentando alta precisão neles), mas tem um desempenho ruim em dados novos e não vistos (baixa precisão nos dados de teste). Isso é um sinal de que o modelo não generaliza bem e não aprendeu o padrão subjacente.

Siga-me @rexconcurseiro

A afirmativa está Errado.

Explicação:

O overfitting ocorre quando um modelo de deep learning (ou qualquer modelo de machine learning) aprende muito bem os dados de treinamento, capturando até mesmo ruídos e detalhes específicos desses dados, mas não generaliza bem para novos dados (dados de teste ou dados fora da amostra).

Isso significa que no overfitting o modelo apresenta alta precisão nos dados de treinamento, mas baixa precisão nos dados de teste.

Se o modelo tivesse alta precisão tanto nos dados de treinamento quanto nos dados de teste, indicaria que o modelo está generalizando bem, e isso não é overfitting.

Quem é flameguista vai decorar fácil.

Over = Obina: Treina bem, joga mal.

Under= URIBE= TREINA MAL, JOGA MAL.