Scribd
Cargar
13 vistas3 páginas

Fitting

El documento aborda los conceptos de overfitting y underfitting en Machine Learning, explicando cómo afectan a modelos como regresión lineal, regresión logística, SVM y árboles de decisión. Se discuten las características de cada fenómeno, su relación con la complejidad del modelo polinomial y se presentan estrategias para mitigarlos, como la regularización y la poda de árboles. Además, se incluyen indicadores para detectar ambos problemas y una tabla comparativa de riesgos asociados a diferentes modelos.

Cargado por

Felipe
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
13 vistas3 páginas

Fitting

El documento aborda los conceptos de overfitting y underfitting en Machine Learning, explicando cómo afectan a modelos como regresión lineal, regresión logística, SVM y árboles de decisión. Se discuten las características de cada fenómeno, su relación con la complejidad del modelo polinomial y se presentan estrategias para mitigarlos, como la regularización y la poda de árboles. Además, se incluyen indicadores para detectar ambos problemas y una tabla comparativa de riesgos asociados a diferentes modelos.

Cargado por

Felipe
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Fitting (Over y Under)

Overfitting y Underfitting en Machine Learning

1. Objetivo
Comprender los conceptos de overfitting y underfitting.

Relacionar estos fenómenos con los modelos vistos: regresión lineal,


regresión logística, SVM, y árboles de decisión.

Interpretar el efecto del grado de complejidad en modelos polinomiales.

Visualizar estos fenómenos a través de ejemplos prácticos.

2. Conceptos Clave

Overfitting (Sobreajuste)
El modelo aprende muy bien los datos de entrenamiento, incluyendo ruido y
variaciones irrelevantes.

Tiene baja capacidad de generalización.

Presenta bajo error de entrenamiento y alto error en test.

Es común en modelos muy complejos o con muchos parámetros.

Underfitting (Subajuste)
El modelo es demasiado simple y no capta la estructura subyacente de los
datos.

Tiene mal desempeño tanto en entrenamiento como en test.

Presenta alto sesgo y baja varianza.

3. Visualización y Grados del Modelo Polinomial


El grado de un modelo polinomial es una medida de su complejidad:

Fitting (Over y Under) 1


Grado 1: modelo lineal -> alto sesgo, underfitting.

Grado 4: buen ajuste -> equilibrio sesgo/varianza.

Grado 15: modelo demasiado flexible -> alto riesgo de overfitting.

Esta progresión se puede visualizar en un gráfico con los datos originales y la


curva ajustada por cada modelo.

4. Tabla Comparativa: Relación con Modelos del Curso


Riesgo de
Modelo Riesgo de Overfitting Regularización
Underfitting

Alto si la relación no
Regresión lineal Bajo Ridge, Lasso
es lineal

Regresión Alto si hay pocas


Moderado L1/L2 (penalización)
logística variables

Alto con kernel muy


SVM Bajo con kernel lineal Parámetro C
flexible

Árboles de Bajo si árbol muy max_depth,


Muy alto si sin poda
decisión chico min_samples_split

5. Cómo Detectarlos

Indicadores de Overfitting:
Alta precisión en entrenamiento, baja en test.

Curva de error en test creciente al aumentar complejidad.

Indicadores de Underfitting:
Bajo rendimiento en ambos conjuntos.

Curvas de error planas con alta magnitud.

6. Estrategias para Mitigarlos


Técnica Problema que aborda Efecto principal

Fitting (Over y Under) 2


Regularización Overfitting Penaliza la complejidad

Poda de árboles Overfitting Simplifica el modelo

Cross-validation Ambos Mejora estimación general

Aumentar datos Overfitting Reduce varianza

Feature engineering Underfitting Reduce sesgo

Fitting (Over y Under) 3

También podría gustarte