📖 Explicación Sencilla
El overfitting, o sobreajuste, ocurre cuando un modelo de Inteligencia Artificial aprende los datos de entrenamiento de forma tan precisa que memoriza tanto los patrones relevantes como el "ruido" o las particularidades aleatorias de esos datos.
Esto lleva a que el modelo funcione excepcionalmente bien con los datos con los que fue entrenado, pero fracase al intentar predecir o clasificar nuevos datos no vistos. En esencia, el modelo se vuelve demasiado específico para el conjunto de entrenamiento y pierde su capacidad de generalización. Es un problema común que se resuelve con técnicas como la regularización, validación cruzada o aumentando la cantidad de datos de entrenamiento.
📌 Ejemplos Prácticos
- Un modelo entrenado para reconocer gatos solo con fotos de gatos blancos en un fondo verde, que luego no reconoce un gato negro en un fondo azul.
- Un estudiante que memoriza todas las respuestas de un examen de práctica sin entender los conceptos, y luego falla el examen real con preguntas ligeramente diferentes.
❓ Preguntas Frecuentes
¿Qué significa Overfitting?
Cuando un modelo de IA aprende el "ruido" de los datos de entrenamiento en lugar del patrón real, rindiendo mal con datos nuevos.
¿Cómo se aplica o utiliza Overfitting?
Un modelo entrenado para reconocer gatos solo con fotos de gatos blancos en un fondo verde, que luego no reconoce un gato negro en un fondo azul.