Entenda a Diferença entre Treinamento e Validação
Identifique o sobreajuste pelas curvas de perda
Entenda a Diferença entre Treinamento e Validação é uma aula grátis de Deep Learning Academy no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Deep Learning Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Deep Learning Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
What Overfitting Means
Overfitting happens when your model memorizes the training data instead of learning patterns that work on new, unseen examples. 🧠
Two Curves to Watch
You track two losses: the training loss on data the model learns from, and the validation loss on data it never updates on.
The Train/Val Gap
The gap is the distance between training loss and validation loss. A small gap means your model generalizes well to fresh data.
A Healthy Fit
When both losses fall together and stay close, you have a good fit. The model is learning real structure, not noise.
Spotting Overfitting
Overfitting shows up as training loss still dropping while validation loss flattens or rises. The gap widens.
Spotting Underfitting
If both losses stay high and never improve much, the model is underfitting. It is too simple to capture the patterns.
Why You Need a Val Set
Training accuracy can lie. A separate validation set is your honest signal for how the model behaves on data it has not seen.
Log Both Losses
Record both losses every epoch so you can plot them. The shape of these curves tells you exactly what is going wrong.
train_losses.append(train_loss)
val_losses.append(val_loss)
print(epoch, train_loss, val_loss)The Overfitting Elbow
Watch for the elbow: the epoch where validation loss bottoms out and starts climbing. That is the moment overfitting begins.
More Data Helps
One of the simplest cures for a wide gap is more training data, which makes memorization harder and patterns clearer.
Gap Guides Your Fixes
The size of the gap tells you what to try next: regularize a wide gap, or grow the model when both losses stay high.
Quick Check
Read the curves and tell overfitting apart from a healthy fit.
Recap
You learned to read the train/val gap: close curves mean a good fit, a widening gap means overfitting, and both high means underfitting. 📈
Perguntas Frequentes
A aula “Entenda a Diferença entre Treinamento e Validação” é grátis?
Sim — o texto completo de “Entenda a Diferença entre Treinamento e Validação” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Deep Learning Academy, atualize para CoddyKit PRO. O curso de Deep Learning Academy inclui 4 aulas no total.
O que vou aprender em “Entenda a Diferença entre Treinamento e Validação”?
Identifique o sobreajuste pelas curvas de perda Você pratica Deep Learning Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Deep Learning Academy?
Nenhuma experiência prévia é necessária. Deep Learning Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “Entenda a Diferença entre Treinamento e Validação”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Deep Learning Academy?
Sim. Cada aula de Deep Learning Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Entenda a Diferença entre Treinamento e Validação
- Dropout: Descarte Neurônios Aleatoriamente
- Normalização de Lote e Normalização de Camada
- Aumento de Dados como Dados Gratuitos