Lección 18 del módulo “Redes Neuronales” del curso Fundamentos de Deep Learning con Python.
En la lección anterior hablamos de como subdividir nuestro set de datos en los sets de entrenamiento, prueba y validación, para poder elegir los hiperparámetros del modelo y posteriormente ponerlo a prueba.
Y cuando hablamos de ponerlo a prueba nos referimos a su capacidad de generalizar, es decir de generar buenas predicciones no sólo con el set de entrenamiento sino con el de prueba.
Y esta capacidad de generalizar se mide comparando la métrica de desempeño para los sets de entrenamiento y prueba, caso en el cual se puede presentar uno de dos fenómenos: underfitting (o sub-ajuste) y overfitting (o sobre-ajuste).
Este análisis nos permitirá determinar si el modelo funciona adecuadamente o si necesita algún tipo de ajuste. Así que veamos en detalle qué son estos conceptos de underfitting y overfitting.
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Bien, acabamos de ver que durante el entrenamiento de una Red Neuronal el desempeño se evalúa mediante los errores en los sets de entrenamiento y validación. Y dependiendo de la relación entre estos errores, el modelo puede presentar un desempeño adecuado, o puede tener underfitting u overfitting.
Así que ya tenemos claros estos dos fenómenos así como las principales alternativas de solución en cada caso. Si logramos resolver estos problemas podremos tener una Red Neuronal capaz de generalizar.
Con estos dos conceptos, junto con los vistos anteriormente acerca de los sets de entrenamiento, prueba y validación estamos listos para la práctica 6 del curso, en donde veremos cómo crear, entrenar y validar una Red Neuronal en Keras teniendo en cuenta estos conceptos de underfitting y overfitting que acabamos de ver.
Todas las lecciones del curso Fundamentos de Deep Learning con Python