Overfitting
Quando um modelo de ML 'decora' os dados de treino em vez de aprender o padrão geral, e vai mal com dados novos.
Overfitting (sobreajuste) acontece quando um modelo de machine learning aprende os dados de treino bem demais — inclusive o ruído e as peculiaridades daquele conjunto específico — em vez do padrão geral. Resultado: acerta quase tudo no treino, mas erra feio com dados novos que nunca viu.
A analogia: é o aluno que decora as respostas da prova anterior em vez de entender a matéria — vai mal quando as perguntas mudam.
Como combater: separar dados de validação/teste, usar regularização, simplificar o modelo, e aumentar/diversificar os dados de treino. O oposto é o underfitting — modelo simples demais, que não captura nem o padrão básico.