Talvez: cuidado. Quando você diz que a precisão de 70% (independentemente da medida) é boa o suficiente para você, parece que você está assumindo que os erros são distribuídos aleatoriamente ou uniformemente.
Mas uma das maneiras de observar o sobreajuste é que isso acontece quando uma técnica de modelo permite (e seu processo de treinamento incentiva) prestar muita atenção às peculiaridades no conjunto de treinamento. Indivíduos da população em geral que compartilham essas peculiaridades podem ter resultados altamente desequilibrados.
Então, talvez você acabe com um modelo que diz que todos os cães vermelhos têm câncer - por causa dessa peculiaridade particular nos seus dados de treinamento. Ou que as pessoas casadas entre 24 e 26 anos têm quase a garantia de registrar reivindicações de seguro fraudulentas. Sua precisão de 70% deixa muito espaço para bolsos de assuntos estarem 100% errados porque seu modelo está super ajustado.
(Não estar com excesso de ajuste não é uma garantia de que você não terá muitas previsões erradas. Na verdade, um modelo insuficiente terá várias previsões ruins, mas com o excesso de ajuste você sabe que está aumentando o efeito de peculiaridades nos dados de treinamento. .)