¿Qué otros métodos existen para combatir el sobreajuste además de la caída?

Además de la caída, existen otros métodos para combatir el sobreajuste:

• Regularización L1 y L2 — agregar una penalización a la función de pérdida por pesos grandes del modelo, lo que ayuda a evitar una complejidad excesiva.
• Detención temprana (Early Stopping) — detener el entrenamiento cuando la calidad en el conjunto de validación deja de mejorar.
• Aumento de datos (Data Augmentation) — crear ejemplos de entrenamiento adicionales, por ejemplo, mediante transformaciones de imágenes.
• Reducción de la complejidad del modelo — disminuir el número de parámetros o capas, para que el modelo no pueda ajustarse demasiado al ruido.
• Validación cruzada — ayuda a seleccionar los parámetros del modelo que minimizan el sobreajuste.
• Bagging y ensamblaje — combinar varios modelos para reducir el sobreajuste.

Ejemplo de regularización L2 en Python usando sklearn:

from sklearn.linear_model import Ridge
model = Ridge(alpha=1.0)  # alpha — coeficiente de regularización L2
model.fit(X_train, y_train)