Pular para o conteúdo
Even3

Diferença entre Underfitting, Overfitting e Good Fit

Trecho de 1 min 53 s de [MINICURSO 02] Introduction to Weka: Data Mining with Open Source Machine Learning, gravado no evento Semana Nacional de Ciência e Tecnologia - IFPI.

Assistir à gravação completaNo Even3 Conteúdos · 4 h 26 min

Sobre este trecho

O professor explica visualmente os conceitos de underfitting, overfitting e good fit na validação de modelos de aprendizado de máquina. Ele detalha a importância de atingir uma taxa de acerto equilibrada sem viciar o modelo nos dados de treino.

Vai de a da gravação.

O que é dito neste trecho

O underfit é quando eu pego uma base de dados e aplico no meu algoritmo sem treinar ele. Então ele vai me dar respostas seguindo aqui essa reta, ó. Essa reta aqui é a resposta do algoritmo e aqui são os dados que seriam corretos. Observe que eles fazem uma curva e o algoritmo está completamente fora da curva. Então isso aqui acontece quando eu pego uma base de dados, jogo para o algoritmo sem treinar ele. Isso aqui é o que nós chamamos de underfit. Nós temos o overfit. O overfit observe que o algoritmo ele acertou todas as respostas. Então eu tenho aqui os pontos que é as respostas corretas e eu tenho aqui a linha, né, seguindo os pontos que é a resposta do algoritmo. Então observe que ele não errou nenhuma resposta. Por que que isso aconteceu? Porque eu treinei o algoritmo com uma base de dados e eu fiz o teste do algoritmo com a mesma base de dados. Então ele não errou nada. Lembrem aí do do exemplo que eu dei da prova. É como se eu estivesse estudado pela uma prova e eu tivesse respondido a mesma prova que eu decorei. Então óbvio, eu não vou errar nada, né, daquela prova. Isso aqui também não é ideal. O que que é o ideal? É o que nós chamamos de chamamos de goodfit. É quando o algoritmo ele não tem nem 100% de acerto e nem 0% de acerto. Então um algoritmo bom é um algoritmo que ele tem aí acima de 80% de acerto. Então assim acima de 80% de acerto e e aí vai depender da complexidade de dados que você está analisando.

Outros trechos deste conteúdo