MediaOpción múltiple

Pregunta de práctica de AI-900

¿Qué es el sobreajuste (overfitting) en machine learning?

Elige la mejor respuesta.

Respuesta correcta

  • ACuando un modelo se desempeña bien con los datos de entrenamiento pero mal con datos nuevos y no vistos

Explicación

El sobreajuste ocurre cuando un modelo de machine learning aprende demasiado bien los datos de entrenamiento, incluidos su ruido y sus valores atípicos, lo que da como resultado una alta precisión en los datos de entrenamiento pero una mala generalización en datos nuevos y no vistos. Este es un concepto fundamental en ML porque el objetivo es crear modelos que funcionen bien en datos del mundo real, y no solo en los datos con los que fueron entrenados. En Azure Machine Learning, se utilizan técnicas como la regularización, la validación cruzada y la detención temprana (early stopping) para detectar y mitigar el sobreajuste.

Por qué cada opción es correcta o incorrecta

A

Correcta

Cuando un modelo se desempeña bien con los datos de entrenamiento pero mal con datos nuevos y no vistos

El sobreajuste ocurre cuando un modelo memoriza los datos de entrenamiento, incluido el ruido, por lo que el rendimiento en el entrenamiento es alto mientras que la generalización a datos nuevos y no vistos es deficiente. Esta brecha entre el rendimiento de entrenamiento y el de validación es la característica definitoria de la condición.

B

Incorrecta

Cuando un modelo se entrena con muy pocos datos

Entrenar con muy pocos datos provoca un subajuste (underfitting), donde el modelo no logra capturar el patrón subyacente y rinde mal tanto en los datos de entrenamiento como en los nuevos. Es tentador porque ambos son problemas de cantidad de datos, y sería correcto si el enunciado preguntara sobre un modelo que no puede generalizar debido a ejemplos insuficientes.

C

Incorrecta

Cuando un modelo tarda demasiado en entrenarse

El sobreajuste se refiere a que un modelo memoriza los datos de entrenamiento de modo que generaliza mal a datos no vistos; la duración del entrenamiento no está relacionada. Es tentador porque un entrenamiento prolongado suele acompañar a los modelos complejos, pero el síntoma definitorio es un fuerte rendimiento en el entrenamiento combinado con un rendimiento débil en la validación.

D

Incorrecta

Cuando un modelo se desempeña mal tanto en los datos de entrenamiento como en los de prueba

El subajuste (underfitting), y no el sobreajuste, describe un rendimiento deficiente tanto en los datos de entrenamiento como en los de prueba; el sobreajuste significa un error de entrenamiento bajo con un error de prueba alto, porque el modelo memorizó el ruido. Es tentador porque un modelo que falla en todas partes indica genuinamente una capacidad o un entrenamiento insuficientes, que es el escenario donde agregar características o entrenar por más tiempo sería la solución correcta.

Para profundizar

El sobreajuste ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento, incluidos su ruido y sus fluctuaciones aleatorias, hasta el punto de que rinde mal con datos nuevos y no vistos. Esto sucede cuando el modelo es demasiado complejo en relación con la cantidad de datos de entrenamiento, o cuando el entrenamiento se prolonga demasiado sin regularización. Esencialmente, el modelo memoriza en lugar de generalizar. Una señal sutil es una gran brecha entre la precisión de entrenamiento y la de validación. En la práctica, el sobreajuste se mitiga mediante técnicas como la validación cruzada, la regularización (L1/L2), el dropout, la detención temprana (early stopping) y el aumento de los datos de entrenamiento. Por ejemplo, un árbol de decisión con profundidad ilimitada puede alcanzar una precisión de entrenamiento del 100% pero del 60% en la prueba, lo que indica sobreajuste.

Sobre estas preguntas de práctica

Esta es una de las preguntas de práctica originales de AI-900 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.