Clicked Gallery

Overfitting vs. underfitting: ¿cuál es la diferencia?

Subrayado en un documento técnico real. Explicado por Clicked.

Usado en una frase

Engineering Notes · AI Systems

The model memorized the training set perfectly but failed on real test data, displaying classic signs of overfitting.

El lector subrayó una palabra en la documentación. Clicked explicó el término técnico «overfitting» en términos simples:

Explicado en tres niveles

Los mismos datos, otro rollo — Modo jerga 😎

El método Clicked

●○○

Overview

El sobreajuste es un modelo que aprende sus datos de entrenamiento con demasiado detalle, ruido incluido, así que borda el entrenamiento y tropieza con cualquier cosa nueva. El subajuste es lo contrario: un modelo demasiado simple para aprender el patrón, así que falla en todas partes.
●○○

Overview

Sobreajuste: el modelo no aprendió la asignatura, memorizó el solucionario — manchas de café incluidas. Subajuste: ni siquiera abrió el libro. Ambos suspenden la vida real; simplemente la suspenden de formas distintas. 😎

Una idea rápida — muchas veces es todo lo que necesitas.

●●○

Detail

La pista es el hueco entre dos números: la puntuación del modelo sobre los datos con los que entrenó, y su puntuación sobre datos reservados que nunca ha visto. El subajuste puntúa mal en ambos, porque el modelo nunca captó el patrón. El sobreajuste puntúa excelente en entrenamiento y claramente peor en los reservados, por haber memorizado el material en vez de aprender la asignatura. El sobreajuste viene de demasiada complejidad, pocos datos o entrenar demasiado; el subajuste, de un modelo demasiado simple o entradas pobres. Las soluciones reflejan las causas: más datos, regularización o un modelo más simple contra el sobreajuste; un modelo más rico o mejores entradas contra el subajuste. Una distinción a tener clara: estos son los síntomas visibles en las puntuaciones, y el sesgo alto y la varianza alta son los diagnósticos detrás.
●●○

Detail

Cómo lo pillas: compara dos puntuaciones. Un 99% en las preguntas que estudió y un 60% en preguntas que nunca ha visto — ese hueco es la confesión de que memorizó en vez de aprender. ¿Mediocre en ambas? Entonces nunca aprendió nada. Las soluciones son pura crianza: para el memorizador, más ejemplos, se acabaron los empollones de madrugada y menos capacidad de memorizar; para el vago, cerebro más grande, más tiempo de estudio y mejor material. Y la regla de oro de todo el campo: nunca califiques a un modelo con preguntas que ya ha visto. 😎

¿Quieres más? Un clic profundiza.

●●●

Analogy

Aprender a conducir solo en tu camino de entrada: cada grieta memorizada, cada maniobra impecable, y luego la autopista es el caos, porque aprendiste el camino de entrada y no a conducir. Eso es sobreajuste. El subajuste es haber recibido una única clase vaga que falla en ambos sitios por igual.
Deepest level reached.
●●●

Analogy

El fenómeno del karaoke que se aprendió exactamente UNA canción, fonéticamente: perfecto cada viernes, pero pídele cualquier otra — o la misma en otro tono — y se desmorona en estática. Mientras tanto, el del subajuste tararea vagamente sobre todo. Ninguno de los dos sabe cantar en realidad.
Deepest level reached.

¿Concepto nuevo? Un ejemplo cotidiano lo hace clic — nuevas analogías cuando quieras.

Las explicaciones de IA pueden contener errores · No es asesoramiento profesional

Definición formal — El mismo término, explicado de la forma habitual

El sobreajuste denota un modelo que captura el ruido específico de la muestra en los datos de entrenamiento, logrando bajo error de entrenamiento pero generalización degradada; el subajuste denota capacidad o entrenamiento insuficientes para captar la señal subyacente, produciendo error elevado tanto en entrenamiento como en datos apartados. La detección se basa en la divergencia entre el rendimiento de entrenamiento y el de validación. Las mitigaciones incluyen regularización, parada temprana, aumento de datos y reducción de capacidad para el sobreajuste, y mayor capacidad del modelo, entrenamiento extendido y mejor representación de variables para el subajuste.

¿Quieres que Clicked te explique términos como «overfitting» directamente en tu navegador, incluso en PDFs?

Añadir a Chrome — Gratis

50 Explicaciones gratis · Sin tarjeta de crédito