Quando acompanhamos a perda de treino e a perda de validação ao longo do aumento da complexidade do modelo, dois padrões opostos aparecem. No subajuste, o modelo é simples demais para capturar o padrão dos dados: a perda de treino já é alta e a de validação também, e as duas curvas permanecem próximas e elevadas. No sobreajuste, o modelo tem capacidade suficiente para se ajustar até ao ruído dos exemplos: a perda de treino continua caindo, mas a perda de validação para de cair e volta a subir. O ponto útil está na região intermediária, em que a perda de validação atinge seu valor mínimo antes de começar a crescer. A distância entre as duas curvas é o sinal diagnóstico: curvas próximas e altas indicam subajuste; curvas que se afastam, com treino baixo e validação alta, indicam sobreajuste. A validação é o instrumento que permite localizar esse ponto sem consultar o teste.
Learn MotionComo a Inteligência Artificial Realmente Aprende
Generalizar: aprender além dos exemplos vistos
Duas curvas, dois modos de errar
2 / 2
Observe as duas curvas. À esquerda, com modelos simples, a perda de treino e a de validação são altas e próximas: é o subajuste, o modelo não captura o padrão. Conforme a complexidade cresce, as duas caem juntas. Em certo ponto, a curva de treino continua descendo, mas a de validação para e volta a subir: começou o sobreajuste, o modelo passou a se ajustar ao ruído dos exemplos. O melhor ponto é o mínimo da curva de validação, antes da subida. A distância entre as curvas é o diagnóstico: próximas e altas, subajuste; afastadas, com treino baixo e validação alta, sobreajuste.
0:00 / 0:00