Uma empresa construiu um modelo para prever preços de itens. O modelo teve um bom desempenho nos dados de treinamento, mas seu desempenho caiu significativamente após a implantação. O que a empresa deve fazer para resolver esse problema?

O desempenho do modelo em dados de treinamento, mas não em dados de implantação, é um sintoma clássico de overfitting (sobreajuste). Isso significa que o modelo aprendeu os dados de treinamento tão bem que memorizou ruídos e padrões específicos, perdendo a capacidade de generalizar para novos dados. Aumentar o volume de dados de treinamento ajuda a expor o modelo a uma variedade maior de exemplos, permitindo que ele aprenda padrões mais robustos e generalize melhor. Reduzir o volume de dados de treinamento agravaria o overfitting. Adicionar hiperparâmetros adicionais pode complicar o modelo e aumentar a chance de overfitting se não forem ajustados corretamente. Aumentar o tempo de treinamento pode levar a um overfitting ainda maior, pois o modelo teria mais oportunidades de memorizar os dados de treinamento.