Saltar al contenido

Dropout

Técnica de regularización que apaga aleatoriamente algunas neuronas durante el entrenamiento para evitar que la red dependa en exceso de unas pocas conexiones. Reduce el sobreajuste.

Actualizado: 3 de junio de 2026.

En cada paso de entrenamiento, el dropout desactiva al azar una fracción de neuronas. Así obliga a la red a no fiarlo todo a unas conexiones concretas y a aprender representaciones más robustas.

Qué consigue

Combate el sobreajuste: la red generaliza mejor a datos nuevos en lugar de memorizar los de entrenamiento.

Detalle

Solo actúa durante el entrenamiento; en inferencia todas las neuronas vuelven a estar activas.

Aprende Dropout con una ruta guiada

Si quieres aplicar este concepto con proyectos y criterio, estas son las páginas de AIClases para continuar.

Términos relacionados

Sobreajuste (overfitting)Problema en el que un modelo memoriza los datos de entrenamiento, incluido su ruido, en lugar de aprender patrones generales. El resultado es un modelo que acierta en los ejemplos vistos pero falla con datos nuevos.Red neuronal artificialModelo de cálculo inspirado en el cerebro, compuesto por unidades llamadas neuronas organizadas en capas que se conectan mediante pesos ajustables. Al entrenarse, esos pesos se afinan para transformar entradas en salidas útiles.Entrenamiento (de modelos)Proceso por el que un modelo ajusta sus parámetros analizando datos para minimizar sus errores. Es la fase más costosa del ciclo de vida de un modelo de IA y determina lo que el modelo sabe.Capa ocultaCapa intermedia de una red neuronal, situada entre la entrada y la salida, donde ocurre el procesamiento que transforma los datos. Las redes profundas tienen muchas capas ocultas.Función de pérdidaFórmula que mide cuánto se equivoca un modelo comparando sus predicciones con las respuestas correctas. Entrenar consiste en minimizar esta función ajustando los parámetros.

Ver todos los términos