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.
Agentes, flujos y plantillas en un solo espacio de trabajo – demo gratuita de 24 horas.
Iniciar demoEl error de generalización mide cuánto se equivoca un modelo de IA con datos nuevos que no ha visto antes, a diferencia del error con los datos de entrenamiento. Una gran diferencia entre ambos indica sobreajuste: el modelo ha memorizado ejemplos en vez de aprender patrones generales. Se estima con datos de prueba reservados o validación cruzada. Es la cifra que de verdad importa, porque en uso real el modelo casi solo encuentra casos nuevos.
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.
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).
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.
