Glosario

Optimización de hiperparámetros

¿Qué es Optimización de hiperparámetros?

Los hiperparámetros son ajustes que se fijan antes de entrenar un modelo, como la tasa de aprendizaje, el número de capas o la intensidad de la regularización. La optimización de hiperparámetros busca de forma sistemática la combinación que mejor funciona con datos de validación, por ejemplo mediante búsqueda en cuadrícula, búsqueda aleatoria u optimización bayesiana. Unos valores bien elegidos mejoran la precisión y reducen el sobreajuste o el subajuste, aunque la búsqueda consume tiempo de cómputo.

Cómo ayuda KI.ordo

KI.ordo no entrena modelos; un ajuste relacionado es el control «Temperatura» de los agentes, que en tiempo de ejecución regula cuánto varían las respuestas.

Más información →

Temas

Entrenamiento
Calidad del modelo
Ajuste

Probar KI.ordo

Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.

Iniciar demo

← Todos los términos

Términos relacionados

Sobreajuste (overfitting)

El sobreajuste (overfitting) se produce cuando un modelo memoriza los datos de entrenamiento, incluidos el azar y el ruido, en lugar de captar patrones de validez general. Parece muy preciso con los datos conocidos, pero da malos resultados con datos nuevos. Una señal típica es una gran diferencia entre el error de entrenamiento y el de prueba. Las contramedidas son más datos o datos más variados, modelos más sencillos, regularización, dropout y validación cruzada.

calidad del modelo
entrenamiento
+1

Validación cruzada

La validación cruzada es un método para comprobar lo bien que un modelo generaliza a datos nuevos. En la validación cruzada de k iteraciones, los datos se dividen en k partes; el modelo se entrena k veces con k−1 partes y se evalúa cada vez con la parte restante, y después se promedian los resultados. Así detectas el sobreajuste y comparas de forma justa modelos o configuraciones, sobre todo con pocos datos.

Evaluación de modelos
Validación
+1

Aprendizaje automático

El aprendizaje automático (machine learning) es una rama de la inteligencia artificial en la que los ordenadores deducen patrones de los datos en vez de recibir cada regla programada. Según la tarea, los modelos aprenden de ejemplos etiquetados (supervisado), de datos sin etiquetar (no supervisado) o mediante recompensas (por refuerzo). Las aplicaciones van desde filtros de spam y previsiones de demanda hasta recomendaciones de productos. La calidad depende mucho de la cantidad y la calidad de los datos de entrenamiento.

fundamentos
IA
+1

Regularización

La regularización agrupa técnicas que impiden que un modelo se ajuste demasiado a sus datos de entrenamiento (sobreajuste). Por ejemplo, se penalizan los pesos demasiado grandes (regularización L1 o L2), se desactivan neuronas al azar (dropout) o se detiene el entrenamiento a tiempo (early stopping). El objetivo es un modelo más sencillo que funcione mejor con datos nuevos, aunque obtenga algo menos de acierto con los datos de entrenamiento.

entrenamiento
sobreajuste
+1