Uma equipe de ciência de dados da Assembleia Legislativa desenvolveu um model...

Vamos analisar o que está acontecendo nessa situação: o modelo de ciência de dados da Assembleia Legislativa teve um desempenho muito alto nos dados de treinamento, porém, quando testado em proposições de novos períodos legislativos, ele não foi tão bom assim. Após investigação, a equipe percebeu que o modelo ficou 'viciado' em padrões específicos que só existiam no conjunto de treinamento, dificultando sua atuação com dados novos.

Quando falamos em aprendizado de máquina, um fenômeno clássico ocorre quando um modelo apresenta resultados muito bons apenas no treinamento, mas não em novos dados: chamamos isso de overfitting. No overfitting, o modelo se 'gruda' demais nos exemplos que viu, aprende até ruídos e detalhes que não ajudam a prever outros dados — é como um aluno que decora as respostas em vez de entender a matéria.

Vamos olhar rapidamente as alternativas:

A primeira fala em underfitting, mas o underfitting é o oposto: ocorre quando o modelo tem desempenho ruim tanto no treinamento quanto em novos dados, porque não conseguiu captar padrões suficientes.

A segunda diz que seria viés algorítmico, mas esse é um conceito relacionado à injustiça ou discriminação no modelo, não ao desempenho entre treino e teste.

A terceira trata de inconsistência dos dados e sugere aumentar atributos, o que não resolveria o problema de 'grudar demais' nos dados do treino.

A quarta fala de ausência de convergência matemática, que não é o caso descrito — aqui o modelo chegou a performar bem no treino.

A quinta alternativa caracteriza corretamente o overfitting e ainda cita que a validação cruzada pode ajudar a identificar esse problema — está perfeita!

Portanto, o gabarito correto é a alternativa E.