O sobreajuste ocorre quando um modelo preditivo é avaliado por seu desempenho em exemplares não utilizados no treinamento, o que resulta em avaliações positivas.

Modelos que se sobreajustam não representam os dados de treinamento com total fidelidade, o que resulta em avaliações ruins para todos os tipos de exemplares.

O sobreajuste é um fenômeno benéfico, pois garante que o modelo preditivo seja altamente preciso tanto para dados de treinamento quanto para novos exemplares.

O sobreajuste ocorre apenas quando o conjunto de dados de treinamento é muito pequeno, podendo ser solucionado com a sintonização manual dos parâmetros do modelo.

Modelos que se sobreajustam representam os exemplares de treinamento com alta fidelidade, mas perdem desempenho quando aplicados a novos exemplares, o que resulta em avaliações ruins.