• A

  O modelo está subajustado (underfitting), pois o erro de treino é muito baixo. A ação recomendada é aumentar a complexidade do modelo, por exemplo, adicionando mais atributos polinomiais ou aumentando a profundidade de uma árvore de decisão.

• B

  O modelo está sobreajustado (overfitting), pois o erro de validação é maior que o erro de treino e a diferença entre eles aumentou. A ação recomendada é utilizar validação cruzada k-fold para obter uma estimativa mais robusta do desempenho e, se confirmado o overfitting, aplicar regularização L1 ou L2, reduzir a complexidade do modelo ou aumentar a quantidade de dados de treinamento.

• C

  O modelo está subajustado (underfitting), pois o erro de validação é alto. A ação recomendada é diminuir a complexidade do modelo, por exemplo, reduzindo o número de atributos ou aplicando regularização mais forte.

• D

  O modelo está sobreajustado (overfitting), mas a ação mais adequada é aumentar o número de épocas de treinamento, pois o erro de treino ainda pode diminuir e, consequentemente, o erro de validação também diminuirá.

• E

  O modelo está com viés alto (underfitting) e variância alta (overfitting) simultaneamente, o que é impossível. A ação recomendada é descartar o modelo e começar novamente com um algoritmo diferente.

Atalhos: A–E marca · Shift+letra corta · Enter próxima

Selecione uma alternativa pra criar sua conta e salvar o progresso.