Por que é necessária a regularização nos modelos?

A regularização em modelos de aprendizagem automática é necessária para evitar o sobreajuste (overfitting). Ela adiciona uma penalidade pela complexidade do modelo, tornando-o mais simples e melhorando sua capacidade de generalização para novos dados.

Principais efeitos da regularização:

• Reduz a magnitude dos coeficientes do modelo, diminuindo a influência de características menos importantes.
• Ajuda a evitar um ajuste excessivamente preciso aos dados de treinamento, melhorando a qualidade nos dados de teste.

Exemplos de métodos populares de regularização:

• Regularização L1 (Lasso) — adiciona a soma dos valores absolutos dos coeficientes à função de perda, favorecendo modelos dispersos.
• Regularização L2 (Ridge) — adiciona a soma dos quadrados dos coeficientes, suavizando os pesos.

Exemplo em Python usando regularização L2 em regressão linear:

from sklearn.linear_model import Ridge

model = Ridge(alpha=1.0)  # alpha — coeficiente de regularização
model.fit(X_train, y_train)