Equilibrio entre sesgo y varianza

Cuando los profesionales desarrollan un modelo de aprendizaje automático, su objetivo es encontrar el "punto óptimo" que genere un buen acuerdo entre el sesgo y la varianza. El modelo puede errar en favor de un sesgo o una varianza elevados y estos dos tipos de errores están inversamente relacionados. En otras palabras, a medida que uno aumenta, el otro tiende a disminuir. El punto óptimo es el punto donde se produce la menor cantidad de errores totales.

Incluso cuando encuentre el punto óptimo, cierta cantidad de errores, llamados errores irreducibles, siempre estarán allí. Esta cantidad de errores no se puede reducir aún más, debido a la forma en que se enmarca el problema y a las variables que el profesional nunca identificó o decidió no controlar.

El equilibrio entre el sesgo y la varianza típicamente se encuentra a través de la experimentación. Configure un modelo de aprendizaje automático con controles que puede ajustar. Al ejecutar repetidamente el modelo y ajustar estos controles externos, puede encontrar la mejor configuración para lograr un buen equilibrio.

Sesgo elevado	El punto óptimo	Varianza elevada
Puede subajustar el conjunto de entrenamiento	Ajuste muy bueno	Puede sobreajustar el conjunto de entrenamiento
Más simplista	Solo lo suficientemente complejo	Más complejo
Es menos probable que sea objeto de influencia por parte de las relaciones reales entre las características y las salidas deseadas.	Hábil para encontrar relaciones verdaderas entre las características y las salidas deseadas, a la vez que no está demasiado influenciado por el ruido.	Es más probable que sea objeto de influencia por parte de las relaciones falsas entre las características y las salidas deseadas ("ruido").

Información adicional