O "overfitting" em aprendizado de máquina ocorre quando um modelo se ajusta excessivamente aos dados de treinamento, capturando até mesmo o ruído e as flutuações dos dados, o que resulta em um desempenho ruim em dados novos ou não vistos. Analisando as alternativas: a) Quando o modelo tem um desempenho inferior nos dados de treinamento. - Isso não é overfitting, mas sim um sinal de underfitting. b) Quando o modelo se ajusta excessivamente aos dados de treinamento, perdendo a capacidade de generalizar para novos dados. - Esta é a definição correta de overfitting. c) Quando o modelo não consegue encontrar padrões nos dados. - Isso também é um sinal de underfitting. d) Quando o modelo funciona bem para dados não rotulados. - Isso não se relaciona diretamente com overfitting. e) Nenhuma das alternativas anteriores. - Esta opção não é correta, pois a alternativa b é a correta. Portanto, a alternativa correta é: b) Quando o modelo se ajusta excessivamente aos dados de treinamento, perdendo a capacidade de generalizar para novos dados.