MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos entrena un modelo de clasificación en un conjunto de datos de 10,000 correos electrónicos etiquetados para distinguir spam de correo legítimo. El modelo logra una precisión del 99% en los datos de entrenamiento pero solo un 70% de precisión en un conjunto de prueba reservado. ¿Qué término describe mejor esta situación?

Elige la mejor respuesta.

Respuesta correcta

  • BB) Overfitting

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.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

A) Underfitting

Underfitting significa un rendimiento deficiente tanto en los datos de entrenamiento como de prueba, mientras que aquí la precisión de entrenamiento es del 99%. Sería correcto si el modelo hubiera obtenido, digamos, un 65% en entrenamiento y un 63% en prueba, indicando que no pudo aprender el patrón subyacente.

B

Correcta

B) Overfitting

Overfitting ocurre cuando un modelo memoriza los datos de entrenamiento, incluido el ruido, de modo que se ajusta casi perfectamente a los 10,000 correos de entrenamiento pero generaliza mal a datos no vistos. La brecha de precisión del 99% de entrenamiento frente al 70% de prueba es la firma clásica de este problema de varianza, no de subajuste ni de un problema de desequilibrio de datos.

C

Incorrecta

C) Bias-variance tradeoff

El equilibrio entre sesgo y varianza (bias-variance tradeoff) describe el balance general entre subajuste y sobreajuste, no el fenómeno específico de alta precisión de entrenamiento con baja precisión de prueba. Sería correcto si la pregunta tratara sobre ajustar la complejidad del modelo en lugar de nombrar la brecha observada.

D

Incorrecta

D) Regularization

La regularización es una técnica que penaliza la complejidad del modelo para reducir el sobreajuste; no es el término que describe la brecha en sí misma. Sería la respuesta correcta si la pregunta preguntara cómo mitigar la discrepancia del 99% frente al 70%.

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.