Vamos analisar as alternativas sobre o que é overfitting (ajuste excessivo) em aprendizado de máquina: A) Quando um modelo generaliza bem para novos dados. - Esta opção está incorreta, pois overfitting é o oposto de generalização. B) Quando um modelo se ajusta muito bem aos dados de treinamento, mas tem um desempenho ruim em dados não vistos. - Esta é a definição correta de overfitting. O modelo aprende os detalhes e ruídos dos dados de treinamento, mas não consegue generalizar para novos dados. C) Quando um modelo não consegue aprender padrões dos dados de treinamento. - Esta opção descreve underfitting, que é quando o modelo é muito simples para capturar os padrões dos dados. D) Um tipo de erro na codificação de algoritmos. - Esta opção não está relacionada ao conceito de overfitting. Portanto, a alternativa correta é: B) Quando um modelo se ajusta muito bem aos dados de treinamento, mas tem um desempenho ruim em dados não vistos.