Curso oferecido pela deeplearning.ai no Coursera
O processo de construir uma aplicação de deep learning é altamente iterativo. No sentido de que muitos parâmetros e hiperparâmetros podem ser refinados, obtendo modelos mais eficientes.
Uma boa prática ao trabalharmos com um conjunto de dados é dividi-lo em três partes:
Podemos definir o overfitting como o fenômeno onde o modelo se ajusta excessivamente aos dados de treino não conseguindo performar nos dados de teste. Podemos dizer que este modelo tem uma alta variância
Quando o modelo não consegue performar nem no conjunto de treino denominamos como underfitting. Podemos dizer que este modelo tem um alto viés (bias)
De certa forma, queremos encontrar a linha tênue entre o overfitting e underfitting. Ou seja, um baixo viés e uma baixa variância.
Quando um modelo possui alto viés (underfitting) algumas soluções são: