Quando o modelo perde capacidade de previsão devido à falta de dados.

Quando o modelo se ajusta excessivamente aos dados de treinamento, tornando-se incapaz de generalizar.

Quando o modelo consegue identificar padrões que não existem nos dados.

Quando o modelo faz previsões apenas com base em dados ruidosos.

Quando o modelo é simples demais para aprender a complexidade dos dados.