Mais treinamento sempre reduz o erro?
Pode reduzir o erro no treino e piorar o desempenho em dados novos.
Imersão
ImersãoDois dias para transformar IA em criatividade aplicada. In CompanyO método do IA Lab dentro do seu escritório.Conteúdos abertos
Área do alunosó para alunos
Sobreajuste · Sobreadaptação
Overfitting ocorre quando um modelo se ajusta demais aos exemplos de treinamento e perde capacidade de generalizar para dados novos.
O modelo aprende ruído, exceções ou detalhes específicos da amostra em vez de relações que se mantêm fora dela.
Um sinal comum é desempenho muito melhor no treino do que na validação ou no teste.
Alta capacidade, poucos dados, muitas iterações ou vazamento de informação podem favorecer o sobreajuste.
Regularização, validação, aumento de dados e simplificação do modelo ajudam a controlar o problema.
Um estimador de prazo memoriza combinações exatas de projetos antigos, mas erra quando recebe uma tipologia ou equipe pouco representada no histórico.
Uma divisão inadequada dos dados pode esconder o problema.
Bom resultado em um único teste não garante estabilidade após mudanças no ambiente.
Machine Learning, Dados de treinamento, Aprendizado supervisionado, Fine-tuning, Inference
Pode reduzir o erro no treino e piorar o desempenho em dados novos.
Compare métricas entre treino e dados separados e teste em cenários que representem o uso real.
Revisado em 2026-10-18.