En aprendizaje automático, el sobreajuste (también es frecuente emplear el término en inglés overfitting) es el efecto de sobreentrenar un algoritmo de aprendizaje con unos ciertos datos para los que se conoce el resultado deseado. El algoritmo de aprendizaje debe alcanzar un estado en el que será capaz de predecir el resultado en otros casos a partir de lo aprendido con los datos de entrenamiento, generalizando para poder resolver situaciones distintas a las acaecidas durante el entrenamiento. Sin embargo, cuando un sistema se entrena demasiado (se sobreentrena) o se entrena con datos extraños, el algoritmo de aprendizaje puede quedar ajustado a unas características muy específicas de los datos de entrenamiento que no tienen relación causal con la función objetivo. Durante la fase de sobreajuste el éxito al responder las muestras de entrenamiento sigue incrementándose mientras que su actuación con muestras nuevas va empeorando.
El emplear la línea verde como clasificador se adapta mejor a los datos con los que hemos entrenado al clasificador, pero está demasiado adaptada a ellos, de forma que ante nuevos datos probablemente arrojará más errores que la clasificación usando la línea negra.
Sobreajuste/Sobreentrenamiento en aprendizaje supervisado (p. ej. una red neuronal). El error de entrenamiento se muestra en azul, mientras que el error de validación se muestra en rojo. Si el error de validación se incrementa mientras que el de entrenamiento decrece puede que se esté produciendo una situación de sobreajuste.
En otras palabras, el modelo recuerda una gran cantidad de ejemplos en lugar de aprender a notar características.
Datos:Q331309
Multimedia:Overfitting
Enero 19, 2022
sobreajuste, aprendizaje, automático, sobreajuste, también, frecuente, emplear, término, inglés, overfitting, efecto, sobreentrenar, algoritmo, aprendizaje, unos, ciertos, datos, para, conoce, resultado, deseado, algoritmo, aprendizaje, debe, alcanzar, estado,. En aprendizaje automatico el sobreajuste tambien es frecuente emplear el termino en ingles overfitting es el efecto de sobreentrenar un algoritmo de aprendizaje con unos ciertos datos para los que se conoce el resultado deseado El algoritmo de aprendizaje debe alcanzar un estado en el que sera capaz de predecir el resultado en otros casos a partir de lo aprendido con los datos de entrenamiento generalizando para poder resolver situaciones distintas a las acaecidas durante el entrenamiento Sin embargo cuando un sistema se entrena demasiado se sobreentrena o se entrena con datos extranos el algoritmo de aprendizaje puede quedar ajustado a unas caracteristicas muy especificas de los datos de entrenamiento que no tienen relacion causal con la funcion objetivo Durante la fase de sobreajuste el exito al responder las muestras de entrenamiento sigue incrementandose mientras que su actuacion con muestras nuevas va empeorando El emplear la linea verde como clasificador se adapta mejor a los datos con los que hemos entrenado al clasificador pero esta demasiado adaptada a ellos de forma que ante nuevos datos probablemente arrojara mas errores que la clasificacion usando la linea negra Sobreajuste Sobreentrenamiento en aprendizaje supervisado p ej una red neuronal El error de entrenamiento se muestra en azul mientras que el error de validacion se muestra en rojo Si el error de validacion se incrementa mientras que el de entrenamiento decrece puede que se este produciendo una situacion de sobreajuste En otras palabras el modelo recuerda una gran cantidad de ejemplos en lugar de aprender a notar caracteristicas Datos Q331309 Multimedia Overfitting Obtenido de https es wikipedia org w index php title Sobreajuste amp oldid 129965975, wikipedia, wiki, leyendo, leer, libro, biblioteca,
