Um profissional treina um modelo que alcança um bom desempenho no conjunto de treinamento, mas tem um desempenho ruim nos dados de avaliação. Qual é a explicação mais provável?

Quando um modelo tem um bom desempenho nos dados de treinamento, mas um desempenho ruim nos dados de avaliação (não vistos), a explicação mais provável é o overfitting. Isso significa que o modelo aprendeu os dados de treinamento e o ruído neles de forma muito específica, perdendo a capacidade de generalizar para novos dados. Um modelo underfit teria um desempenho ruim tanto nos dados de treinamento quanto nos de avaliação, pois não aprendeu os padrões subjacentes. Prompt engineering é relevante para modelos de linguagem e não se aplica diretamente a este cenário de desempenho geral do modelo. Um modelo enviesado pode ter um bom desempenho em um subconjunto de dados, mas um desempenho ruim em outros, o que pode contribuir para o overfitting, mas o overfitting é o termo mais abrangente para a situação descrita.