Qual alternativa abaixo sobre overfitting é verdadeira? Overfitting é quando o modelo é pouco flexível e não consegue capturar todas a complexidad...

Qual alternativa abaixo sobre overfitting é verdadeira? Overfitting é quando o modelo é pouco flexível e não consegue capturar todas a complexidade dos dados. Overfitting é quando o modelo é muito flexível e não consegue generalizar apenas memoriza os dados de treino. Overfitting ocorre quando a quantidade de dados de treino são muito além da capacidade do modelo. Overfitting não pode ser ajustado, e portanto deve-se abandonar o tipo de modelo adotado por outro (Ex: Abandonar SVM e testar outros como Florestas Aleatórias, Redes Neurais etc.). Overfitting indica que o modelo obteve um desempenho acima do esperado nos dados de treino.