Overfitting y Underfitting

¿Qué son Overfitting y Underfitting?

Overfitting y Underfitting son dos problemas fundamentales que aparecen al entrenar modelos de inteligencia artificial y aprendizaje automático.

Es decir, ambos afectan directamente a la capacidad del modelo para generalizar a nuevos datos.

• Overfitting (sobreajuste): el modelo aprende demasiado bien los datos de entrenamiento, incluyendo el ruido y las excepciones.
  • Resultado: funciona excelente con los datos que ha visto, pero falla en datos nuevos.
• Underfitting (subajuste): el modelo no logra captar los patrones relevantes ni siquiera en los datos de entrenamiento.
  • Resultado: ni aprende bien los datos de entrenamiento ni generaliza.

Ambos extremos son perjudiciales.

Ya que el objetivo ideal es encontrar un punto medio donde el modelo generalice bien.

🎯 ¿Por qué ocurren?

📈 Overfitting puede ocurrir por:

• Modelos demasiado complejos (por ejemplo, redes neuronales profundas sin regularización).
• Poca cantidad de datos.
• Datos con ruido o errores.
• Demasiadas épocas de entrenamiento.

📉 Underfitting puede ocurrir por:

• Modelos demasiado simples (p. ej. una regresión lineal en un problema no lineal).
• Pocas características (features) relevantes.
• Tiempo de entrenamiento insuficiente.
• Preprocesamiento deficiente o incorrecto.

📊 Ejemplo cotidiano

Imagina que estás estudiando para un examen.

• Si memoriza palabra por palabra sin entender, puedes recitar el temario perfecto (como un modelo con overfitting), pero si te cambian la forma de preguntar, no sabes qué responder.
• Si solo hojeas por encima el temario sin profundizar, no recuerdas casi nada (como un modelo con underfitting).
• Lo ideal es comprender el contenido, practicar y aplicar. Ese sería el modelo equilibrado que generaliza bien.

🧮 Ejemplo visual con modelos

Supongamos que tenemos un conjunto de puntos con una relación no lineal.

• Modelo underfit: una línea recta que no se ajusta a nada. Error alto en entrenamiento y validación.
• Modelo overfit: una curva extremadamente ajustada que pasa por todos los puntos. Error bajo en entrenamiento, pero alto en validación.
• Modelo óptimo: una curva suave que capta la tendencia general. Error bajo en ambos conjuntos.

🧠 ¿Cómo detectarlo?

🔍 Indicadores de underfitting:

• Alta tasa de error tanto en entrenamiento como en validación.
• El modelo no mejora aunque entrenes más.
• Las predicciones parecen aleatorias o muy aproximadas.

🔍 Indicadores de overfitting:

• Muy bajo error en entrenamiento, pero alto en validación/test.
• El modelo cambia mucho frente a pequeñas variaciones en los datos.
• La curva de validación empeora tras varias épocas de entrenamiento.

📈 Curvas de aprendizaje

Una forma visual muy potente de detectar estos problemas es mediante las curvas de aprendizaje.

• En underfitting, las curvas de entrenamiento y validación están ambas altas y muy juntas.
• En overfitting, la curva de entrenamiento baja mucho, pero la de validación se mantiene alta o incluso sube.

Visualmente ayuda a saber cuándo parar o ajustar el modelo.

🧰 ¿Cómo evitar el overfitting?

• Usar más datos de entrenamiento.
• Aplicar técnicas de regularización (L1, L2).
• Implementar early stopping.
• Reducir la complejidad del modelo.
• Utilizar cross-validation para evaluar el rendimiento.
• Aplicar data augmentation (especialmente en imágenes).

🧰 ¿Cómo evitar el underfitting?

• Aumentar la complejidad del modelo (por ejemplo, usar redes más profundas o árboles más profundos).
• Añadir más características relevantes.
• Ajustar mejor los hiperparámetros.
• Asegurar un entrenamiento suficiente (más épocas).

🔗 Relación con otros conceptos clave

• Bias-Variance Tradeoff: el balance entre underfitting (alto sesgo) y overfitting (alta varianza).
• Regularización: técnica para controlar el overfitting.
• Early stopping: detener el entrenamiento cuando la validación deja de mejorar.
• Curvas de aprendizaje: herramienta visual clave para identificar ambos casos.
• Cross-validation: ayuda a medir generalización y evitar sobreajuste.
• Hiperparámetros: su ajuste influye directamente en el nivel de ajuste del modelo.

❓ Preguntas frecuentes (FAQ)

🔹 ¿Es mejor un poco de overfitting que underfitting?

A veces sí.

Un modelo ligeramente sobreajustado puede generalizar mejor que uno que no aprende nada. Pero lo ideal es evitar ambos.

🔹 ¿Qué significa “generalizar” en IA?

Significa que el modelo puede predecir correctamente sobre datos nuevos que nunca ha visto.

🔹 ¿Se puede medir el overfitting con un número?

No directamente.

Pero puedes observar la diferencia entre el error de entrenamiento y el de validación.

🔹 ¿Cómo afecta la cantidad de datos?

Pocos datos suelen provocar overfitting.

Muchos datos pueden ayudar a reducirlo.

📢 Conclusión y próximos pasos

Entender el overfitting y underfitting es esencial para entrenar modelos que realmente funcionen en el mundo real. No basta con que el modelo aprenda: debe aprender bien y generalizar mejor.

👉 En el próximo post profundizaremos en el concepto de Bias-Variance Tradeoff, que explica por qué aparecen estos dos fenómenos y cómo equilibrarlos inteligentemente.

Si quieres conocer otros artículos parecidos a Overfitting y Underfitting puedes visitar la categoría Wiki.