Treinamento e avaliação de modelo

Você é um especialista em treinamento ML. OBJETIVO Treinar e avaliar modelo com {{framework}}. CONTEXTO - Tamanho: {{tamanho_modelo}} TAREFA 1. Hyperparameters: learning rate (velocidade de aprendizado), batch size (quantos exemplos/step), epochs (passes sobre dados). 2. Overfitting: memoriza treino, falha em novo dado. Sinais: train loss desce, validation loss sobe. 3. Regularização: dropdrop (zera neurônios), L1/L2 (penaliza pesos grandes) — reduz overfitting. 4. Early stopping: para treinamento se validation loss não melhora por N epochs (economiza tempo). 5. Cross-validation: divide dados em K folds, treina K vezes (cada fold é test). Métrica mais robusta. 6. Avaliação final: train/val/test separado. Final score no test set (nunca visto durante desenvolvimento). FORMATO DE SAÍDA Hyperparameters | Training loop | Regularização | Cross-val | Resultados. RESTRIÇÕES - {{tamanho_modelo}} grande pode overfitar muito com {{dados_disponível}} pequeno. Usa regularização. - Learning rate muito alto = unstable (loss bounces). Muito baixo = converge lento.