Comentário gerado por IA. É um apoio ao estudo, ancorado em fontes, mas pode conter imprecisões — confira sempre na fonte oficial (lei, súmula, edital e gabarito da banca). Encontrou um erro? Use “Reportar”.
Overfitting em Árvores de Decisão
Gabarito: letra A. Overfitting ocorre quando o modelo se ajusta excessivamente aos dados de treinamento, capturando ruído e perdendo capacidade de generalização. A condição clássica que indica overfitting é que o erro medido em dados de validação (ou teste) é maior do que o erro nos dados de treinamento. Por isso, a alternativa A afirma corretamente: erro validação (h) > erro treinamento (h).
Alternativa
Condição Apresentada
Caracteriza Overfitting?
Motivo
A (Gabarito)
erro validação (h) > erro treinamento (h)
✅ Sim
O erro em dados não vistos supera o erro de treinamento, indicando perda de generalização.
A definição conceitual não depende de um limiar arbitrário; a simples superioridade do erro de validação já caracteriza o fenômeno.
C
erro treinamento (h) = 0
❌ Não
Não é condição necessária nem suficiente; overfitting pode ocorrer com erro de treino > 0, e erro zero pode ocorrer sem overfitting.
D
erro validação (h) / erro treinamento (h) < 1
❌ Não
Indica o oposto (boa generalização ou underfitting), pois o erro de validação é menor que o de treinamento.
E
erro treinamento (h) / erro validação (h) / 100
❌ Não
Expressão mal formulada e sem correspondência com indicador padrão de overfitting.
Alternativa A — ✅ Correta ⟵ GABARITO
Reflete exatamente a definição de overfitting: o erro em novos dados (validação) supera o erro nos dados usados para treinar o modelo. Quanto maior essa diferença, mais severo é o overfitting.
Alternativa B — ❌ Incorreta
Afirma que o overfitting ocorre quando erro validação (h) - erro treinamento (h) > limiar determinado. Embora na prática se use um limiar para diagnosticar overfitting, a definição conceitual não depende de um valor arbitrário; a simples superioridade do erro de validação já caracteriza o fenômeno. A alternativa torna a condição relativa a um limiar não especificado, o que não é essencial para o conceito.
Alternativa C — ❌ Incorreta
Diz que overfitting ocorre quando erro treinamento (h) = 0. Um erro zero no treinamento pode indicar overfitting, mas não é uma condição necessária nem suficiente. Modelos podem ter erro zero sem overfitting (ex.: dados perfeitamente separáveis com margem) ou apresentar overfitting mesmo com erro de treinamento maior que zero. O foco está na comparação entre erro de treinamento e validação.
Alternativa D — ❌ Incorreta
Apresenta erro validação (h) / erro treinamento (h) < 1, ou seja, erro de validação menor que o de treinamento. Essa situação é oposta ao overfitting: indica que o modelo generaliza bem ou até sofre de underfitting (quando o erro de treinamento é alto).
Alternativa E — ❌ Incorreta
A expressão erro do treinamento (h) / erro de validação (h) / 100 está mal formulada e não corresponde a nenhum indicador padrão de overfitting.
PEGA ESSA DICA!
Para identificar overfitting em provas, lembre-se da regra de ouro: o erro em dados não vistos (validação/teste) é maior que o erro nos dados de treinamento. Questões que tratam de underfitting apresentam erros altos em ambos os conjuntos. Compare sempre os erros, não valores absolutos.