Sobreajuste, ou overfitting, é quando seu modelo "decora" os dados de treino em vez de aprender padrões gerais. Ele vai bem nos exemplos que viu, mas mal em dados novos do mundo real.
Imagine um aluno que decora as respostas de uma prova antiga sem entender a matéria. Ele tira 10 nessa prova. Mas na prova nova, com perguntas diferentes sobre o mesmo conteúdo, vai mal. Esse aluno está overfitando.
Sinais de overfitting:
- Erro de treino é muito baixo, erro de validação é alto.
- A diferença entre treino e validação cresce ao longo das épocas.
- O modelo prevê com confiança coisas absurdas para entradas que não viu.
Causas comuns:
- Modelo grande demais para os dados: bilhões de parâmetros para treinar com 1.000 exemplos vai overfitar.
- Dados de treino pouco diversos: só fotos de gatos brancos? O modelo vai falhar em gatos pretos.
- Treinamento longo demais: a partir de certo ponto o modelo para de aprender padrões e começa a decorar ruído.
Como combater overfitting:
- Mais dados: o remédio mais eficaz.
- Augmentation: criar variações artificiais (flip, rotação em imagens; sinônimos em texto).
- Regularização: penalizar pesos grandes (L2, dropout).
- Early stopping: parar o treino quando o erro de validação começa a subir.
- Validação cruzada: testar em vários subconjuntos.
O oposto de overfitting é underfitting: o modelo é simples demais para captar os padrões. O ideal é encontrar o ponto certo de capacidade.
Para o profissional brasileiro: se você está usando um modelo via API (ChatGPT, Claude), overfitting já não é seu problema. Mas se você está treinando classificadores próprios (ex: para classificar tickets de suporte da sua empresa), entender overfitting é crucial. Sempre separe dados em treino, validação e teste — e nunca olhe o teste antes do final.