Glosario

Curva de aprendizaje

¿Qué es 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.

Temas

Entrenamiento
Evaluación de modelos
Diagnóstico

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

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.

Entrenamiento
Optimización
+1

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

Subajuste (underfitting)

Hay subajuste cuando un modelo es demasiado simple para captar las relaciones de los datos. Comete entonces muchos errores ya en los datos de entrenamiento y también en datos nuevos, por ejemplo cuando una recta debe representar una tendencia claramente curva. Puedes corregirlo con un modelo más potente, variables más informativas, más entrenamiento o menos regularización; el problema contrario es el sobreajuste (overfitting).

Machine learning
Calidad del modelo
+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