MediaOpción múltiple

Pregunta de práctica de AIF-C01

Un equipo está entrenando un modelo de clasificación binaria usando Amazon SageMaker. Notan que la precisión de entrenamiento es del 99%, pero la precisión de prueba es de solo el 70%. ¿Qué técnica deben aplicar primero para solucionar esto?

Elige la mejor respuesta.

Respuesta correcta

  • BAplicar regularización

Explicación

La alta precisión de entrenamiento (99%) combinada con una precisión de prueba significativamente menor (70%) es un síntoma clásico de sobreajuste (overfitting), donde el modelo memoriza los datos de entrenamiento en lugar de aprender patrones generalizables. La regularización (Opción B) es la técnica de primera línea para combatir el sobreajuste agregando una penalización a la función de pérdida (por ejemplo, regularización L1 o L2), lo que desalienta fronteras de decisión demasiado complejos. En Amazon SageMaker, esto se puede implementar a través de hiperparámetros como `l1` o `l2` en algoritmos integrados o agregando capas de dropout en un framework personalizado.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Reducir los datos de entrenamiento

Reducir los datos de entrenamiento empeora la brecha de entrenamiento-prueba del 99% frente al 70%, ya que el sobreajuste se origina en que el modelo memoriza patrones; menos datos le dan menos ejemplos generalizables. Es tentador porque recortar datos acelera la experimentación, y sería correcto cuando el conjunto de datos contiene registros mal etiquetados o ruidosos que perjudican activamente el aprendizaje.

B

Correcta

Aplicar regularización

La regularización agrega una penalización para pesos grandes, ayudando a reducir el sobreajuste.

C

Incorrecta

Aumentar la tasa de aprendizaje

Aumentar la tasa de aprendizaje hace que el optimizador dé pasos más grandes, lo que puede empeorar la brecha de sobreajuste o desestabilizar la convergencia en lugar de regularizar el modelo. Es tentador porque la tasa de aprendizaje es un parámetro de ajuste inicial común, y aumentarla sería correcto cuando la pérdida de entrenamiento se estanca demasiado lento porque los pasos son muy pequeños.

D

Incorrecta

Aumentar la complejidad del modelo

Aumentar la complejidad del modelo agrega parámetros, permitiendo que la red memorice aún más los datos de entrenamiento y ampliando la brecha del 99% al 70%. Es tentador porque los aumentos de capacidad se asocian con mayor precisión, y agregar complejidad sería correcto cuando tanto la precisión de entrenamiento como la de prueba son bajas, indicando subajuste (underfitting) en lugar de sobreajuste.

Para profundizar

Una brecha del 99% en entrenamiento frente al 70% en prueba es un sobreajuste clásico: el modelo memorizó el ruido del entrenamiento en lugar de aprender patrones generalizables. La regularización limita la capacidad del modelo agregando una penalización a la función de pérdida, como L2 (weight decay) o L1, o usando dropout en redes neuronales, lo que obliga a la red a distribuir representaciones en lugar de depender de neuronas específicas. En SageMaker esto se expone mediante hiperparámetros como weight_decay en los estimadores integrados de XGBoost o Linear Learner. Es el primer paso con menor riesgo porque no requiere más datos ni una arquitectura diferente, y apunta directamente al componente de varianza del error, mientras que aumentar la complejidad empeoraría la brecha.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AIF-C01 de Courseiva, escrita para aprender y nunca copiada de exámenes reales ni de dumps.

Traducida del original en inglés con IA y revisada para comprobar el sentido. Los códigos de examen, los comandos y los nombres de productos se mantienen tal como aparecen en el examen.