Explicação: O overfitting é um problema que ocorre quando um modelo de aprendizado de máquina aprende os detalhes e o ruído dos dados de treinamento a ponto de prejudicar seu desempenho em novos dados. Isso geralmente acontece quando um modelo é muito complexo em relação à quantidade de dados disponíveis. A alternativa a) é falsa, pois descreve um modelo subajustado, não um sobreajustado. A alternativa b) é incorreta porque, no overfitting, o modelo tende a ter um bom desempenho nos dados de treinamento, mas péssimo nos dados de teste, não o contrário. A alternativa d) é também errada, já que overfitting geralmente é indesejável, pois resulta em um modelo que não generaliza bem. A regularização, por outro lado, é uma técnica que ajuda a evitar o overfitting, penalizando complexidades excessivas no modelo, tornando-o mais robusto em relação a novos dados.
Qual das seguintes técnicas de aprendizado de máquina é mais comumente usada para resolver problemas de classificação?
a) K-means
b) Regressão Linear
c) Máquinas de Vetores de Suporte (SVM)
d) Análise de Componentes Principais (PCA)