Respuesta correcta
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.
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.