Breves informa\u00e7\u00f5es sobre overfitting em aprendizado de m\u00e1quina: Overfitting em aprendizado de m\u00e1quina refere-se a um erro de modelagem que ocorre quando uma fun\u00e7\u00e3o est\u00e1 muito alinhada com um conjunto limitado de pontos de dados. Muitas vezes leva a um desempenho insatisfat\u00f3rio em dados n\u00e3o vistos, \u00e0 medida que o modelo se torna altamente especializado na previs\u00e3o dos dados de treinamento, mas n\u00e3o consegue generalizar para novos exemplos.<\/p>\n
A hist\u00f3ria do overfitting remonta aos prim\u00f3rdios da modelagem estat\u00edstica e mais tarde foi reconhecida como uma grande preocupa\u00e7\u00e3o no aprendizado de m\u00e1quina. O pr\u00f3prio termo come\u00e7ou a ganhar for\u00e7a na d\u00e9cada de 1970 com o advento de algoritmos mais complexos. O fen\u00f4meno foi explorado em trabalhos como \u201cThe Elements of Statistical Learning\u201d de Trevor Hastie, Robert Tibshirani e Jerome Friedman, e se tornou um conceito fundamental na \u00e1rea.<\/p>\n
O overfitting acontece quando um modelo aprende os detalhes e o ru\u00eddo nos dados de treinamento a ponto de impactar negativamente seu desempenho em novos dados. Este \u00e9 um problema comum no aprendizado de m\u00e1quina e ocorre em v\u00e1rios cen\u00e1rios:<\/p>\n
A estrutura interna do overfitting pode ser visualizada comparando como um modelo se ajusta aos dados de treinamento e como ele funciona em dados n\u00e3o vistos. Normalmente, \u00e0 medida que um modelo se torna mais complexo:<\/p>\n
Os principais recursos do overfitting incluem:<\/p>\n
Diferentes manifesta\u00e7\u00f5es de overfitting podem ser categorizadas como:<\/p>\n