📂Fundamentos de IA⏱Lectura de 2 min📊Práctico🔗Relacionados: 4

¿Qué es el sobreajuste?

Definición en una línea
Fenómeno en el que el modelo memoriza demasiado los datos de entrenamiento y, por eso, pierde eficacia con datos nuevos. Es como un estudiante que solo memorizó las preguntas del examen.
Este tema, en capacitación interna📚 Curso relacionado💬 Consulta de capacitación
⚡ Resumen en 3 líneas
  • Memoriza demasiado los datos de entrenamiento y falla ante datos nuevos
  • Estudiante que solo memorizó las preguntas del examen
  • Fallo de generalización

Cuando se entiende el concepto de sobreajuste, lo que cambia en la práctica no es el rendimiento del modelo sino el orden en que se lee el informe de resultados. La precisión de 99% obtenida con datos de entrenamiento deja de tomarse como un logro y pasa a verse como una afirmación aún no verificada, y la primera pregunta en la reunión cambia de «¿qué porcentaje salió?» a «¿de qué datos se obtuvo ese número?». En otras palabras, el peso del juicio se desplaza del puntaje mismo al origen de los datos de los que sale.

En la práctica, los datos disponibles se dividen en entrenamiento, validación y prueba, aproximadamente en proporción 6:2:2, y se compara el rendimiento de entrenamiento con el de validación. Si la diferencia entre ambos supera 5 a 10 puntos porcentuales, el criterio habitual es sospechar de sobreajuste. Cuando hay pocos datos, se mide varias veces cambiando la forma de dividirlos, como con la validación cruzada de 5 bloques, y se reduce el número de variables, se aplica regularización o se detiene el entrenamiento cuando la puntuación de validación deja de subir (detención temprana). Sin embargo, si tanto el rendimiento de entrenamiento como el de validación son bajos, el problema no es sobreajuste sino subajuste, y simplificar aún más el modelo empeora la situación.

En la práctica, el error que más se repite es usar los datos de prueba como material de ajuste en lugar de para medir el rendimiento. Si se revisa la puntuación de prueba y se cambia la configuración diez o veinte veces, al final el modelo también se sobreajusta a esos datos y queda una cifra bonita sin valor real. Otro error es dividir datos de series temporales mezclándolos al azar: los registros de momentos futuros entran en el entrenamiento, la puntuación se infla y el modelo se derrumba en cuanto entra en operación. Si se aprueba la inversión con una sola línea como «precisión del 96 %», el equipo de planta, cansado de las falsas alarmas, apagará las notificaciones en medio año; por eso el informe debe incluir siempre una línea que indique con qué datos y en qué momento se midió esa cifra.

Capacitaciones en las que aparece este término · IA·DX
Cursos recomendados · Instructores recomendados · Mini cotización
🧮 Mini cotización · Criterio de honorarios
Aprox. KRW 1,200,000 (≈ US$900)Charla especial de 2 horas · hasta 20 personas · en coreano
Solicitar cotización formal con estas condiciones →
💡 Dicho de forma sencilla
Igual que un estudiante que memorizó todo el banco de exámenes y se derrumba ante preguntas nuevas, la IA también flaquea en la práctica si memoriza en exceso.
Por qué es importante en la práctica
Concepto que describe una IA con « buenos resultados en el entrenamiento, pero flojo en la práctica ». Es el criterio para identificar qué modelos son confiables.
Origen y fuentes

Concepto fundamental de la estadística y el aprendizaje automático, que describe el problema de que un modelo aprenda también el ruido de los datos, y no solo su señal. Es el tema central de la capacidad de generalización.

Entender con un caso

Veamos un caso hipotético. A, fabricante de autopartes con 240 colaboradores y ventas anuales de unos KRW 80,000,000,000, (≈ US$59,877,600) sufría un problema: por averías en las prensas de la línea, la producción se detenía más de 30 veces al año. La dirección ordenó implantar en tres meses un modelo de predicción de anomalías, y el equipo de tecnología de producción y el área de análisis de datos lo trabajaron juntos.

  1. El subgerente Kim, del equipo de tecnología de producción, presentó un modelo predictivo construido con 420,000 registros de sensores de seis meses. Al alcanzar una precisión de entrenamiento de 98.4 %, propuso: «Con esto basta, lo instalamos en la línea la próxima semana».
  2. El gerente Lee, de análisis de datos, volvió a ejecutar el modelo con los registros de los últimos dos meses, que nunca había visto: la tasa de aciertos cayó al 61 % y las falsas alarmas llegaron a un promedio de 14 diarias.
  3. Al revisar los registros, vimos que el número de equipo y la hora de medición estaban metidos tal cual como variables. Así, en lugar de aprender las señales previas a una falla, el modelo memorizaba una etiqueta como «equipo 3, turno nocturno».
  4. El gerente Lee redujo las variables de 37 a 12 y dividió los datos en orden cronológico: 4 meses para entrenamiento, 1 mes para validación y 1 mes para prueba. Lo validó cinco veces y, como resultado, la precisión de entrenamiento bajó al 89 %.
  5. En cambio, en los dos meses siguientes a la puesta en línea real, la tasa de aciertos se mantuvo en 84 % y las falsas alarmas bajaron a 3 diarias, y las paradas no planificadas de equipos bajaron de 11 al mes a 4.
Términos relacionados
Capacitaciones relacionadas con este término
📚Introducción práctica a la IA de agentesCapacitación corporativa de Nanum Consultoría · presencial / en líneaVer curso →
¿Necesita capacitación interna sobre este tema?
Reciba de inmediato un currículo y una cotización personalizados para su equipo.
Consultar sobre capacitación
Última modificación 2026-09-13 · Revisado por John Kim

Preguntas frecuentes

Si el rendimiento con los datos de entrenamiento es alto, pero el rendimiento con « datos nuevos » es bajo, es señal de sobreajuste.
Aumentar los datos, simplificar el modelo y hacer una verificación temprana con datos de validación son los métodos básicos.
Si el resultado con los datos de entrenamiento es bueno, pero el rendimiento con datos nuevos (de validación) cae mucho, hay sobreajuste.
Se aumenta la cantidad de datos, se simplifica el modelo y se usan técnicas como la regularización y la detención temprana.