Curvas de Validação: Plotando Pontuações para Avaliar Modelos

# Introdução

Em aprendizagem de máquina, cada estimador tem suas vantagens e desvantagens. O erro de generalização de um estimador pode ser decomposto em viés, variância e ruído. O viés de um estimador é o erro médio para diferentes conjuntos de treinamento, enquanto a variância indica sua sensibilidade a conjuntos de treinamento variados. O ruído é uma propriedade dos dados.

Neste laboratório, exploraremos como usar curvas de validação para avaliar o desempenho de modelos de aprendizado de máquina. As curvas de validação permitem plotar a influência de um único hiperparâmetro na pontuação de treinamento e na pontuação de validação, ajudando-nos a determinar se o modelo está sobreajustando ou subajustando para diferentes valores de hiperparâmetro.

## Dicas da Máquina Virtual

Após o término da inicialização da máquina virtual, clique no canto superior esquerdo para mudar para a aba **Notebook** para acessar o [Jupyter Notebook](https://support.labex.io/en/labex-vm/jupyter) para praticar.

Às vezes, pode ser necessário aguardar alguns segundos para que o Jupyter Notebook termine de carregar. A validação de operações não pode ser automatizada devido a limitações no Jupyter Notebook.

Se você enfrentar problemas durante o aprendizado, sinta-se à vontade para perguntar ao Labby. Forneça feedback após a sessão, e resolveremos prontamente o problema para você.