Cuestionario de validación · Módulo 3 — Cómo aprende un modelo · Test individual
Contenidos evaluados: sobreajuste, subajuste, función de pérdida, descenso de gradiente
Consignas: 8 preguntas de opción múltiple. Una sola respuesta correcta por pregunta. La corrección detallada aparece después del envío.
Un alumno memoriza de memoria las respuestas exactas del examen del año pasado y luego suspende el examen real porque las preguntas están formuladas de otra manera. ¿Cómo se llama este problema en un modelo?
Un modelo obtiene un 99 % en los datos de entrenamiento pero solo un 45 % en datos nuevos. ¿Qué significa esto?
Un alumno apenas ha abierto su libro y se maneja mal tanto en los ejercicios COMO en el examen real. En un modelo, esto es…
Intentar adivinar el precio de una casa solo con «¿la puerta de entrada es azul?» es un ejemplo de…
En los dardos, fallar mucho al centro da una mala puntuación, fallar por muy poco da una mejor puntuación. ¿A qué se parece esto en la lección?
El modelo adivina 210 000 € para una casa que en realidad vale 250 000 €. ¿Cuál es la pérdida (el tamaño del error)?
Durante el entrenamiento, ¿qué buscamos hacer con la puntuación de la función de pérdida?
Tienes los ojos vendados en una colina y quieres llegar al fondo del valle. Notas hacia qué dirección baja, das un pequeño paso, vuelves a notar, y así sucesivamente. ¿Qué idea explica esta imagen?
c — ¡Bravo! El sobreajuste (overfitting) es cuando el modelo memoriza los ejemplos de entrenamiento en vez de aprender de verdad, y falla en todo lo que sea nuevo.
b — ¡Exacto! Una puntuación perfecta en el entrenamiento pero mala en datos nuevos significa que el modelo no ha aprendido realmente. Es la señal típica del sobreajuste.
d — ¡Sí! El subajuste (underfitting) es lo contrario: el modelo no ha estudiado suficiente y nunca ha captado el patrón, así que es malo en todo.
a — ¡Bien visto! Una pista demasiado simple no basta para encontrar un patrón real. La solución suele ser mejores variables o más entrenamiento.
b — ¡Genial! La función de pérdida es el boletín de notas del modelo después de cada adivinanza: un número más pequeño significa mejor trabajo.
c — ¡Perfecto! 250 000 − 210 000 = 40 000 €. La pérdida mide el tamaño del error, y el modelo se ajusta para reducirlo la próxima vez.
d — ¡Exacto! Todo el objetivo del entrenamiento es hacer la pérdida (la puntuación del error) lo más pequeña posible.
a — ¡Bravo! El descenso de gradiente es el motor «practicar, ajustar, volver a practicar»: pequeños pasos en la dirección que baja, hasta el punto donde los errores son mínimos.