¿Por qué es necesaria la regularización en los modelos?

La regularización en modelos de aprendizaje automático es necesaria para prevenir el sobreajuste (overfitting). Añade una penalización por la complejidad del modelo, obligándolo a ser más simple y a generalizar mejor en nuevos datos.

Efectos principales de la regularización:

• Reduce la magnitud de los coeficientes del modelo, disminuyendo la influencia de características menos significativas.
• Ayuda a evitar un ajuste demasiado preciso a los datos de entrenamiento, mejorando la calidad en datos de prueba.

Ejemplo de métodos populares de regularización:

• Regularización L1 (Lasso) — añade la suma de los valores absolutos de los coeficientes a la función de pérdida, favorece modelos dispersos.
• Regularización L2 (Ridge) — añade la suma de los cuadrados de los coeficientes, suaviza los pesos.

Ejemplo en Python usando regularización L2 en regresión lineal:

from sklearn.linear_model import Ridge

model = Ridge(alpha=1.0)  # alpha — coeficiente de regularización
model.fit(X_train, y_train)