Respuesta correcta
Explicación
El modelo tiene un desempeño excepcional en los datos de entrenamiento (99% de precisión) pero deficiente en datos de prueba no vistos (70% de precisión), lo cual es el síntoma clásico de sobreajuste (overfitting). El overfitting ocurre cuando el modelo aprende ruido y patrones específicos en el conjunto de entrenamiento en lugar de generalizar a nuevos datos, a menudo debido a una complejidad excesiva del modelo o a una regularización insuficiente.
Para profundizar
Overfitting ocurre cuando un modelo captura ruido y peculiaridades del conjunto de entrenamiento en lugar de la señal subyacente, por lo que la precisión de entrenamiento aumenta mientras que la generalización se retrasa. Con 10,000 correos electrónicos y un clasificador de alta capacidad, la red puede memorizar combinaciones raras de tokens que se correlacionan con las etiquetas solo por casualidad, produciendo la brecha del 99% frente al 70%. La descomposición de sesgo y varianza enmarca esto como bajo sesgo y alta varianza: el modelo se ajusta de cerca a los datos de entrenamiento pero sus predicciones cambian marcadamente entre remuestreos. Los remedios incluyen regularización (L2, dropout), detención temprana (early stopping) en una división de validación, reducción de la capacidad del modelo o aumento de datos (data augmentation). En el despliegue de un filtro de spam, un modelo así clasificaría erróneamente correo legítimo cuya redacción se asemeja al spam de entrenamiento, perjudicando la entregabilidad.
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.