Bajo Ajuste
El bajo ajuste ocurre cuando un modelo de IA es demasiado simple para capturar la complejidad de los datos subyacentes.
En otras palabras, el modelo no se ajusta lo suficiente a los datos de entrenamiento y no puede capturar los patrones necesarios para hacer predicciones precisas en nuevos datos. Esto puede suceder por varias razones, como usar un modelo demasiado simple o no entrenarlo lo suficiente.
Características del bajo ajuste:
Error alto en datos de entrenamiento: El modelo no logra ajustarse bien incluso a los datos utilizados para entrenarlo, lo que resulta en un error alto.
Error alto en datos de prueba: Además del error alto en datos de entrenamiento, el modelo también tiene un rendimiento deficiente en datos que no ha visto durante el entrenamiento, es decir, en datos de prueba.
Falta de capacidad para generalizar: El modelo no puede generalizar adecuadamente a nuevos datos debido a su simplicidad y falta de capacidad para capturar patrones más complejos en los datos.
El bajo ajuste indica que el modelo es demasiado simple y no puede capturar los patrones necesarios.
Ejemplo
En esteejemplo, utilizamos un modelo de regresión lineal simple para predecir el progreso de la diabetes basado en un solo atributo del conjunto de datos, lo que nos permite ilustrar cómo un modelo demasiado simple puede no capturar adecuadamente las relaciones en los datos.
Importamos los módulos necesarios
Cargamos el conjunto de datos
Selecionamos los valores X e Y
Dividir los datos en conjunto de entrenamiento y prueba
Entrenar un modelo de regresión lineal simple
Calcular predicciones en datos de entrenamiento y prueba
Calcular el error cuadrático medio en datos de entrenamiento y prueba
Imprimir el error cuadrático medio para el bajo ajuste
Visualizamos la predicción de los datos de entrenamiento
Visualizamos la predicción de los datos de test
Last updated