📉 O que é overfitting e underfitting em IA

Se você está aprendendo Inteligência Artificial, é bem provável que já tenha esbarrado nos termos overfitting e underfitting. Mas o que eles significam na prática? E como identificá-los em um projeto real?

Neste post, vamos explicar de forma simples o que são esses conceitos — e mais importante — como evitá-los, com exemplos em Python para te ajudar a visualizar o problema com clareza.

🤖 O que é Overfitting?

Imagine que você está treinando um modelo para prever preços de casas. Se ele “decorar” os dados de treino ao invés de aprender padrões reais, temos um problema: overfitting.

👉 Em outras palavras:

Overfitting acontece quando o modelo aprende muito bem os dados de treinamento, a ponto de não generalizar bem para novos dados.

🎯 Sinais de overfitting:

Alta precisão nos dados de treino;
Baixa precisão nos dados de teste;
O modelo é complexo demais para o problema.

🤖 E o que é Underfitting?

Já o underfitting é o oposto. Aqui, o modelo é simples demais para capturar os padrões nos dados. É como tentar prever o clima só olhando o mês do ano — falta contexto, falta inteligência.

👉 Em resumo:

Underfitting acontece quando o modelo não consegue aprender bem nem os dados de treinamento.

🎯 Sinais de underfitting:

Baixa precisão em treino e teste;
O modelo parece “perdido”, mesmo com muitos dados;
Ele está menos complexo do que deveria.

🔍 Exemplo prático com Python

Vamos ver um exemplo usando sklearn com regressão polinomial para visualizar tanto o underfitting quanto o overfitting:

🧠 O que esse código mostra?

Degree 1 (reta): o modelo não consegue capturar a curva → underfitting.
Degree 4: o modelo acompanha bem os dados → bom ajuste.
Degree 15: o modelo “oscila demais” tentando seguir cada ponto → overfitting.

🧩 Como evitar overfitting e underfitting?

A chave está no equilíbrio. Aqui vão algumas práticas comuns:

Contra o overfitting:

Usar validação cruzada (cross-validation);
Reduzir a complexidade do modelo;
Aplicar regularização (L1, L2);
Coletar mais dados, se possível.

Contra o underfitting:

Testar modelos mais complexos;
Adicionar mais features relevantes;
Ajustar os hiperparâmetros com cuidado.

📌 Conclusão

Entender overfitting e underfitting é essencial para quem trabalha com modelos preditivos. Um bom modelo de IA não é aquele que tira 10 na prova que já viu, mas o que sabe resolver questões novas com confiança.

💡 Dica final: sempre visualize seus dados e resultados. Às vezes, um gráfico revela o que números sozinhos não conseguem mostrar.

Qualquer entre em contato com a gente no formulário abaixo: