El sobreajuste (overfitting) es cuando un modelo memoriza las preguntas del entrenamiento en vez de aprender de verdad — luego falla en todo lo que sea nuevo.
Imagínalo así: Un alumno que memoriza las respuestas exactas del examen del año pasado aprobará ese mismo examen otra vez — pero suspenderá el examen real porque las preguntas se formulan de otra manera. No ha aprendido, solo ha memorizado.
Ejemplos:
¿Entonces? Un modelo que tiene una puntuación perfecta en los datos de entrenamiento pero mala en datos nuevos no ha aprendido de verdad — solo ha memorizado. ¡Es una gran señal de alerta!