Saltar al contenido

Tasa de aprendizaje

Hiperparámetro que controla cuánto ajusta el modelo sus parámetros en cada paso de entrenamiento. Es uno de los valores más influyentes en si un modelo aprende bien o no.

Actualizado: 3 de junio de 2026.

La tasa de aprendizaje es el tamaño del paso en el descenso de gradiente. Demasiado alta y el entrenamiento se vuelve inestable o diverge; demasiado baja y tarda muchísimo o se queda en un mal mínimo.

Cómo se ajusta

Se prueba en una escala logarítmica (0,1, 0,01, 0,001…) y a menudo se reduce gradualmente durante el entrenamiento mediante un "programador" (scheduler).

Impacto

Una mala tasa de aprendizaje puede causar subajuste o impedir la convergencia, sin importar lo buenos que sean los datos.

Aprende Tasa de aprendizaje con una ruta guiada

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

Términos relacionados

Descenso de gradienteAlgoritmo de optimización que ajusta los parámetros de un modelo en la dirección que más reduce el error. Es el motor que hace que las redes neuronales aprendan.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.Época (epoch)Una pasada completa del modelo sobre todo el conjunto de datos de entrenamiento. El entrenamiento suele requerir varias épocas para que el modelo aprenda bien.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.Subajuste (underfitting)Situación en la que un modelo es demasiado simple o se ha entrenado poco y no logra captar los patrones de los datos. Rinde mal tanto en entrenamiento como en datos nuevos.
Ver todos los términos
Help & support