O overfitting (sobreajuste) é caracterizado por um modelo que "memoriza" os ruídos e detalhes específicos dos dados de treinamento, resultando em um erro baixo no treino, mas um erro elevado em dados não vistos (teste).

Para problemas de classificação binária, métricas como Acurácia, Precisão, Recall (Sensibilidade) e a pontuação F1-Score são ferramentas essenciais para medir a eficácia do modelo.

A validação cruzada (Cross-Validation) é uma técnica que auxilia na mitigação do viés de seleção dos dados, permitindo uma estimativa mais robusta da performance de generalização do modelo.

Em problemas de regressão, onde o objetivo é prever valores contínuos, utilizam-se métricas de erro como o Erro Médio Absoluto (MAE) e o Erro Quadrático Médio (MSE).

O overfitting tende a ser reduzido à medida que a complexidade do modelo aumenta, pois modelos com maior número de parâmetros conseguem ignorar os ruídos dos dados e focar apenas nos padrões estruturais de longo prazo.