Glosario

Convergencia

¿Qué es Convergencia?

En aprendizaje automático, la convergencia significa que un entrenamiento se acerca a un estado estable: la función de pérdida apenas disminuye y los parámetros del modelo cambian mínimamente. Si un modelo converge y con qué rapidez depende, entre otros, de la tasa de aprendizaje, la calidad de los datos y la arquitectura. Con una tasa demasiado alta el error oscila; demasiado baja, el entrenamiento se alarga sin necesidad. La convergencia no garantiza un buen modelo, que puede estar sobreajustado.

Temas

Entrenamiento
Optimización
Aprendizaje automático

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

Descenso del gradiente

El descenso del gradiente es el método de optimización con el que se entrena la mayoría de los modelos de IA. Se mide el error del modelo, se calcula en qué dirección deben cambiar los parámetros para reducirlo y se da un pequeño paso en esa dirección, una y otra vez. Es como un excursionista en la niebla que siempre baja por la pendiente para llegar al valle. El tamaño del paso (tasa de aprendizaje) determina la velocidad y la estabilidad.

Optimización
Entrenamiento
+1

Curva de aprendizaje

En aprendizaje automático, una curva de aprendizaje es un gráfico que muestra el rendimiento o el error de un modelo según el tiempo de entrenamiento o la cantidad de datos, normalmente por separado para datos de entrenamiento y de validación. Su forma indica si el modelo está infraajustado o sobreajustado y si más datos ayudarían. Si el error de validación queda muy por encima del de entrenamiento, por ejemplo, apunta a sobreajuste. En lenguaje cotidiano, el término describe también lo rápido que dominas una nueva tecnología.

Entrenamiento
Evaluación de modelos
+1

Error de entrenamiento

El error de entrenamiento indica cuánto se desvían las predicciones de un modelo de los valores correctos en los mismos datos con los que se entrenó. Por sí solo dice poco: lo decisivo es compararlo con el error de generalización en datos nuevos. Si el error de entrenamiento es alto, apunta a underfitting; si es muy bajo pero el error en los datos de prueba es alto, suele tratarse de overfitting.

Machine learning
Evaluación
+1

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.

Entrenamiento
Calidad del modelo
+1