MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos entrena una red neuronal profunda con un conjunto de datos pequeño. El modelo alcanza un 100% de precisión en los datos de entrenamiento, pero solo un 60% de precisión en un conjunto de validación. ¿Qué técnica es la más adecuada para abordar este problema?

Elige la mejor respuesta.

Respuesta correcta

  • CAplicar regularización

Explicación

La precisión perfecta del modelo en el entrenamiento (100%) combinada con una precisión de validación deficiente (60%) es un signo clásico de sobreajuste (overfitting), donde el modelo ha memorizado los datos de entrenamiento en lugar de aprender patrones generalizables. Las técnicas de regularización (por ejemplo, regularización L1/L2, dropout) penalizan pesos grandes o descartan aleatoriamente neuronas durante el entrenamiento, lo que obliga a la red a aprender características más simples y robustas y reduce el sobreajuste en conjuntos de datos pequeños.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Aumentar el número de épocas de entrenamiento

Más épocas empeoran el problema: la red ya memoriza el conjunto de entrenamiento, por lo que las pasadas adicionales profundizan el sobreajuste y la precisión de validación se mantiene baja. Es tentador porque el entrenamiento adicional generalmente mejora el ajuste, y sería correcto cuando tanto la precisión de entrenamiento como la de validación siguen aumentando juntas.

B

Incorrecta

Agregar más capas ocultas

Agregar capas ocultas aumenta la capacidad del modelo, lo que permite que la red memorice el conjunto de datos de entrenamiento pequeño aún más a fondo y amplíe la brecha del 100% frente al 60%. La profundidad adicional es tentadora cuando la precisión tanto de entrenamiento como de validación es baja, lo que indica subajuste (underfitting), pero aquí el modelo ya se ajusta perfectamente a los datos de entrenamiento.

C

Correcta

Aplicar regularización

La regularización agrega restricciones al modelo para evitar el sobreajuste al desalentar patrones excesivamente complejos.

D

Incorrecta

Aumentar la tasa de aprendizaje

Elevar la tasa de aprendizaje empeora la brecha de sobreajuste al alejar los pesos de un mínimo generalizable, lo que a menudo causa divergencia en lugar de cerrar la diferencia de 40 puntos entre entrenamiento y validación. Es tentador porque una tasa más alta acelera la convergencia cuando la pérdida de entrenamiento se estanca temprano, pero la regularización o más datos abordan esta memorización.

Para profundizar

La brecha entre el 100 por ciento de precisión en el entrenamiento y el 60 por ciento de precisión en la validación es un sobreajuste clásico: la red memorizó el ruido y las idiosincrasias de una pequeña muestra en lugar de aprender patrones generalizables. La regularización restringe la complejidad del modelo, por ejemplo, penalizaciones de peso L1 o L2, dropout o parada temprana, lo que reduce la varianza y típicamente estrecha la brecha entre entrenamiento y validación. Agregar épocas o capas ocultas aumenta la capacidad y empeora el sobreajuste, y elevar la tasa de aprendizaje puede desestabilizar el entrenamiento. Un escenario realista es un clasificador de imágenes médicas entrenado en unos pocos cientos de exploraciones que obtiene una puntuación perfecta en los datos de entrenamiento pero falla en pacientes nuevos; la regularización, además de más datos o aumento (augmentation), restaura el rendimiento de validación útil antes del despliegue.

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.