O sobreajuste (overfitting) é quando um modelo decora as perguntas do treinamento em vez de aprender de verdade — aí ele erra tudo que é novo.
Imagine assim: Um aluno que decora as respostas exatas do simulado do ano passado vai tirar nota alta nesse mesmo simulado de novo — mas vai errar na prova de verdade, porque as perguntas estão escritas de outro jeito. Ele não aprendeu, só decorou.
Exemplos:
Então? Um modelo com nota perfeita nos dados de treinamento, mas com nota ruim em dados novos, não aprendeu de verdade — só decorou. É um grande sinal de alerta!