Regularização é um conjunto de técnicas usadas durante o treinamento de modelos de aprendizado de máquina para evitar o overfitting — a situação em que o modelo aprende os dados de treinamento "de cor", mas falha em generalizar para dados novos. As abordagens mais comuns incluem L1 (Lasso), que força alguns pesos do modelo a zero simplificando a estrutura; L2 (Ridge), que penaliza pesos muito grandes; e Dropout, que desativa aleatoriamente neurônios durante o treinamento, forçando a rede a aprender representações mais robustas. A regularização é analogamente uma forma de "ensinar o modelo a não colar na prova" — em vez de memorizar respostas específicas, ele aprende princípios mais gerais. A intensidade da regularização é controlada por um hiperparâmetro: regularização demais resulta em underfitting (modelo muito simples); regularização de menos resulta em overfitting. O ajuste correto é um dos desafios centrais do treinamento de modelos de IA modernos.
Navegar por letra: