Respuesta correcta
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.
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.