LEE · EXPLORA · EXPLICA

Aprender de los errores: ajustar un modelo

Una superficie de pérdida conecta derivadas parciales con un paso de aprendizaje.

¿Qué vas a comprender?

Conocimientos mínimos

Haz una predicción

Una recta intenta describir dos datos ficticios. Antes de cada paso, predice si el error bajará. El laboratorio calcula una regresión lineal pequeña de manera determinista; no ejecuta un modelo de inteligencia artificial.

Pérdida y paso simultáneo

L(w,b)=12∑i=12(wxi+b−yi)2,(w,b)nuevo=(w,b)−η∇L(w,b)L(w,b)=\frac{1}{2}\sum_{i=1}^{2}(wx_i+b-y_i)^2,\quad (w,b)_{\rm nuevo}=(w,b)-\eta\nabla L(w,b)

La pérdida es el promedio de los cuadrados de los dos residuos. El nuevo peso y sesgo son los actuales menos eta por el gradiente de la pérdida.

¿Por qué funciona un paso pequeño?

El gradiente apunta hacia el mayor aumento local. Su opuesto apunta hacia el descenso local cuando el gradiente no es cero; eso no garantiza que cualquier paso finito reduzca la pérdida. En esta superficie, un paso de 1.1 desde el inicio rebasa el valle y sube la pérdida. En el mínimo el gradiente es cero.

Ajustar no es generalizar

La pérdida que minimizamos utiliza sólo los dos ejemplos de entrenamiento. El error cero allí no garantiza buenas predicciones para datos futuros. Una evaluación con datos separados y representativos aporta evidencia, no certeza universal; dos ejemplos no bastan para establecer desempeño real.

Otra lectura · Google Machine Learning Crash Course

Consulta externa opcional sobre el descenso por gradiente. El ejemplo y los ejercicios de esta lección son propios.

Abrir descenso por gradiente ↗

Un ejemplo para pensar

Para los datos (−1,−1) y (1,3), ¿cuál es la pérdida media cuadrática de la recta inicial ŷ=0?

Comparar con una solución razonada

Con ŷ=0, los residuos son 1 y −3. La pérdida es (1²+(−3)²)/2=5.

Intenta explicarlo antes de comparar. Si usas este ejemplo como ayuda, tenlo en cuenta en tu autoevaluación; esta página no califica tu trabajo.

Prueba una situación nueva

La actividad conserva tu intento, ofrece pistas de una en una y permite comparar una solución cuando lo decidas.

Procedencia y revisión

Texto, datos ficticios, ejercicios y visualización originales de Mate–Ciencias. Fuentes oficiales consultadas para contraste conceptual; no se reproducen sus textos, figuras ni ejercicios.

Versión 1.0.0. Fecha de revisión registrada: ; no es la fecha de reconstrucción del sitio.

Comprobaciones registradas

La revisión docente sigue pendiente. Las comprobaciones técnicas y la revisión asistida no sustituyen una sesión con una persona docente.

Fuentes de consulta: Contenido original de Mate–Ciencias; Linear regression: Loss · Google for Developers; Linear regression: Gradient descent · Google for Developers; Overfitting · Google for Developers. Se enlazan como referencia; los materiales privados no forman parte de esta página.

Para relacionar ideas