Vamos analisar as alternativas para entender o que é overfitting em Machine Learning: A) Quando um modelo generaliza bem para novos dados. - Esta opção está incorreta, pois overfitting é o oposto de generalização. B) Quando o modelo não consegue se ajustar aos dados de treino. - Esta opção também está incorreta, pois isso se refere a underfitting, não overfitting. C) Quando um modelo é excessivamente ajustado aos dados de treino e tem baixo desempenho em dados novos. - Esta opção está correta, pois descreve exatamente o que é overfitting: um modelo que se ajusta demais aos dados de treino e não consegue generalizar para novos dados. D) Um método de ajustar hiperparâmetros. - Esta opção está incorreta, pois não define overfitting. E) Um erro causado por falta de dados. - Esta opção não é correta, pois overfitting pode ocorrer mesmo com muitos dados, se o modelo for muito complexo. Portanto, a alternativa correta é: C) Quando um modelo é excessivamente ajustado aos dados de treino e tem baixo desempenho em dados novos.