Un modelo sin validación rigurosa es una esperanza, no un producto.
Nivel intermedio
Qué encontrará en este capítulo
8.1El problema del overfitting
8.2Validación cruzada K-Fold
8.3Data leakage
8.4Ajuste de hiperparámetros
8.5Del laboratorio a producción
5 secciones · 17 apartados · 6 ejercicios con soluciones
Capítulo 8 de 14
Objetivos de aprendizaje del capítulo (6)
Identificar y prevenir el overfitting —sobreajuste— en modelos de aprendizaje automático, nombrando el compromiso entre sesgo y varianza que lo explica.
Diagnosticar el ajuste de un modelo con learning curves —curvas de aprendizaje— y validation curves —curvas de validación— usando scikit-learn.
Aplicar validación cruzada correctamente, eligiendo la estrategia adecuada según los datos: K-Fold, estratificada, por grupos o para series temporales.
Detectar y evitar el data leakage —fuga de datos—, uno de los errores más costosos de la disciplina, encapsulando el preprocesamiento en un Pipeline.
Ajustar hiperparámetros con métodos sistemáticos (Grid Search, Random Search, optimización bayesiana con Optuna, búsqueda por halving) y validarlos sin optimismo mediante nested cross-validation —validación cruzada anidada—.
Llevar un modelo del laboratorio a producción: serializarlo, servir inferencia, monitorizar el drift —deriva—, reentrenarlo y documentarlo conforme al Reglamento de IA.
