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.
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.