MediaOpción múltiple

Pregunta de práctica de AI-900

Un científico de datos entrena un modelo de regresión para predecir los precios de las viviendas utilizando características como dormitorios, metraje cuadrado y ubicación. El modelo logra un error bajo en los datos de entrenamiento, pero se desempeña significativamente peor cuando se utiliza para predecir precios en una nueva ciudad con características de propiedad diferentes. ¿Qué concepto explica mejor este rendimiento deficiente?

Elige la mejor respuesta.

Respuesta correcta

  • BOverfitting

Explicación

El modelo funciona bien en los datos de entrenamiento pero mal en los datos nuevos de una ciudad diferente, lo cual es el síntoma clásico de overfitting. El overfitting ocurre cuando un modelo aprende ruido y patrones específicos en los datos de entrenamiento que no se generalizan a datos no vistos, especialmente cuando los nuevos datos tienen características diferentes (por ejemplo, diferentes dinámicas del mercado inmobiliario). En este caso, el modelo ha memorizado los patrones de precios de la ciudad de entrenamiento en lugar de aprender relaciones generalizables.

Por qué cada opción es correcta o incorrecta

A

Incorrecta

Underfitting

Underfitting describe un modelo demasiado simple para capturar la verdadera estructura de los datos de entrenamiento, por lo que sufre de alto sesgo y produce grandes errores tanto en el conjunto de entrenamiento como en viviendas no vistas. En este escenario, las viviendas recién encontradas no tendrían un rendimiento peor porque el modelo memorizó el conjunto de entrenamiento; más bien, el modelo nunca aprendió los patrones de precios subyacentes en primer lugar.

B

Correcta

Overfitting

Overfitting ocurre cuando un modelo con capacidad excesiva aprende no solo los patrones genuinos en los datos de entrenamiento, sino también su ruido aleatorio e idiosincrasias. Esto resulta en un error de entrenamiento muy bajo pero una mala generalización, y el efecto se vuelve especialmente visible cuando las nuevas casas provienen de una distribución ligeramente diferente, porque el ruido aprendido ya no coincide. El síntoma descrito: buen rendimiento durante el entrenamiento pero rendimiento degradado en nuevos datos, es la firma clásica del overfitting.

C

Incorrecta

Data leakage

Data leakage ocurre cuando información de fuera del conjunto de entrenamiento, como el valor objetivo o datos futuros, se utiliza inadvertidamente durante el entrenamiento, inflando la precisión aparente del modelo. A diferencia del comportamiento descrito, el leakage típicamente muestra un rendimiento irrealmente fuerte durante la validación e incluso en algunos conjuntos de prueba, pero no una caída brusca específicamente en casas nuevas a menos que la fuente de leakage desaparezca. La pregunta no da indicación de información objetivo o atajos temporales que se filtren en las características de precio de la vivienda.

D

Incorrecta

Bias-variance tradeoff

El bias-variance tradeoff es un marco estadístico general que descompone el error de predicción en sesgo, varianza y ruido irreducible; el overfitting es una manifestación de alta varianza, mientras que el underfitting refleja un alto sesgo. Si bien el tradeoff describe la tensión entre la complejidad del modelo y la generalización, no es en sí mismo un modo de fallo ni el diagnóstico más directo para un modelo que funciona bien en datos de entrenamiento y mal en datos nuevos. El comportamiento descrito es específicamente overfitting, no el concepto más amplio.

Para profundizar

La generalización es el objetivo central del aprendizaje supervisado: un modelo de regresión para los precios de las viviendas debe aprender la relación subyacente entre las características y los precios, no memorizar los resultados exactos de los ejemplos de entrenamiento. El overfitting surge cuando la capacidad del modelo es grande en relación con la cantidad de datos de entrenamiento diversos, lo que permite al modelo codificar ruido idiosincrásico; esto se vuelve especialmente catastrófico cuando los nuevos datos provienen de una distribución desplazada, porque los patrones de ruido ajustados ya no son aplicables. Un concepto erróneo común es que el overfitting solo significa funcionar bien en los datos de entrenamiento, pero el diagnóstico clave es la brecha de generalización: la diferencia relativa entre los errores de entrenamiento y validación. La regularización, la validación cruzada y el uso de un conjunto de validación que refleje la distribución real de implementación son defensas estándar, pero no pueden compensar completamente el cambio de distribución. En el escenario de los precios de las viviendas, incluso un modelo regulizado adecuadamente podría hacer overfitting si las nuevas viviendas son de un vecindario o período de tiempo diferente, porque el mapeo de características y precios aprendido puede no transferirse.

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.