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.

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.

Actualizado: 3 de junio de 2026.

Un modelo sobreajustado es como un estudiante que se aprende las respuestas de memoria pero no entiende la materia: brilla en el examen practicado y suspende uno distinto.

Cómo detectarlo

Si el error en entrenamiento es muy bajo pero el de validación es alto, hay sobreajuste. La validación cruzada ayuda a medirlo con fiabilidad.

Cómo combatirlo

Más datos, regularización, dropout, parar el entrenamiento a tiempo o simplificar el modelo. El extremo opuesto, el subajuste, es no aprender lo suficiente.