¿Qué es el sobreajuste y cómo combatirlo?

El sobreajuste (overfitting) es una situación en la que el modelo de aprendizaje automático se ajusta demasiado bien a los datos de entrenamiento, incluyendo el ruido y las fluctuaciones aleatorias, y generaliza mal a nuevos datos.

Cómo combatir el sobreajuste:

• Usar más datos para entrenar.
• Regularización (L1, L2) — añadir penalizaciones por la complejidad del modelo.
• Detención temprana — detener el entrenamiento cuando la calidad en la validación empieza a deteriorarse.
• Validación cruzada — para evaluar la capacidad de generalización.
• Reducir la complejidad del modelo — por ejemplo, disminuir el número de parámetros.
• Aumentación de datos — crear ejemplos de entrenamiento adicionales.

Ejemplo de regularización en Python usando sklearn:

from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0)  # Regularización L2
model.fit(X_train, y_train)