Overfitting y Underfitting en Inteligencia Artificial

Cuando entrenamos un modelo de Inteligencia Artificial, queremos que aprenda patrones reales, no que memorice los datos. En esta guía aprenderás dos conceptos fundamentales: overfitting y underfitting. Entenderlos es clave para crear modelos que funcionen bien en el mundo real.

1. Qué es el overfitting

El overfitting ocurre cuando un modelo aprende demasiado bien los datos de entrenamiento, incluyendo ruido, errores y detalles irrelevantes. El resultado: funciona muy bien con los datos que ya conoce, pero muy mal con datos nuevos.

• Memoriza en lugar de aprender
• Rendimiento perfecto en entrenamiento
• Rendimiento pobre en pruebas

# Ejemplo conceptual
entrenamiento = 100% correcto
pruebas = 40% correcto

2. Qué es el underfitting

El underfitting ocurre cuando el modelo no aprende lo suficiente. Es demasiado simple para capturar los patrones reales de los datos.

• No aprende los patrones
• Rendimiento pobre en entrenamiento
• Rendimiento pobre en pruebas

# Ejemplo conceptual
entrenamiento = 50% correcto
pruebas = 45% correcto

3. Causas comunes

• Overfitting: modelo demasiado complejo, pocos datos, demasiado entrenamiento.
• Underfitting: modelo demasiado simple, falta de entrenamiento, pocas características.

4. Cómo detectarlos

La forma más común es comparar el rendimiento en entrenamiento y pruebas.

• Overfitting: entrenamiento alto, pruebas bajo.
• Underfitting: ambos bajos.

5. Cómo evitarlos

• Usar más datos
• Reducir complejidad del modelo
• Regularización
• Early stopping
• Validación cruzada
• Mejorar características (feature engineering)

6. Ejemplo conceptual

# Datos ficticios
entrenamiento = 95%
pruebas = 55%

# Esto es overfitting

El modelo aprendió demasiado los datos de entrenamiento y no generaliza bien.

7. Ejercicios

# pista overfitting
"Entrena perfecto, falla en pruebas."

# pista underfitting
"Ni entrena bien ni prueba bien."

8. Mini‑proyecto: Diagnóstico de modelo

Crea un conjunto de datos ficticio con resultados de entrenamiento y pruebas. Clasifica cada caso como overfitting, underfitting o modelo equilibrado.

Siguiente guía