Cómo funciona
El sesgo aparece cuando el modelo hace suposiciones demasiado simples para representar el patrón que existe en los datos. Por eso, se equivoca de forma parecida tanto en los ejemplos usados en el entrenamiento como en datos nuevos. Este comportamiento suele asociarse al underfitting, o subajuste.
La varianza mide cuánto cambian las predicciones cuando el modelo se entrena con conjuntos de datos diferentes. Un modelo muy sensible puede memorizar detalles y ruido del conjunto de entrenamiento, pero fallar en ejemplos que nunca vio. Este cuadro está ligado al overfitting, o sobreajuste.
El objetivo no es llevar a cero una medida de forma aislada. El equipo busca un equilibrio que permita aprender patrones útiles sin memorizar los ejemplos. La validación con datos separados ayuda a observar ese equilibrio: se compara el desempeño en entrenamiento con el desempeño en datos que no participaron del ajuste.
Ejemplo práctico
Imagina un sistema que clasifica mensajes de soporte como urgentes o comunes. Un modelo excesivamente simple puede marcar casi todos como comunes, incluso cuando hay señales claras de falla en el servicio. No capturó los patrones importantes, por lo que tiene sesgo alto.
En el otro extremo, un modelo puede aprender que un mensaje es urgente solo porque, en el conjunto de entrenamiento, contenía una palabra o un nombre de cliente específico. Al recibir un mensaje equivalente escrito de otra forma, no reconoce la urgencia. La predicción dependió demasiado de detalles particulares, lo que indica varianza alta.
Para investigar, la persona responsable separa datos de entrenamiento y validación, revisa los tipos de error y compara los resultados. Si ambos conjuntos muestran desempeño débil, puede ser necesario usar atributos más informativos o un modelo capaz de representar relaciones más complejas. Si el entrenamiento va bien y la validación empeora, vale la pena revisar la complejidad, ampliar o diversificar los datos y aplicar técnicas de regularización.
Estas acciones son hipótesis para probar, no recetas universales. Una métrica agregada puede ocultar errores relevantes, por eso es importante también examinar ejemplos concretos y el impacto de las clasificaciones incorrectas.
Para qué sirve
La distinción entre sesgo y varianza ayuda a diagnosticar por qué un modelo no generaliza bien. Orienta la próxima investigación: ¿el sistema es demasiado simple para la tarea, o está reaccionando en exceso a los ejemplos disponibles?
Este razonamiento sirve para clasificación, pronóstico de demanda, detección de fraude y otros problemas de aprendizaje automático. También evita ajustes aleatorios. En lugar de aumentar la complejidad por prueba y error, el equipo puede comparar entrenamiento y validación, revisar la calidad de los datos y elegir experimentos que prueben una causa probable.
Sesgo y varianza no reemplazan la evaluación del producto completo. Datos sesgados, cambios en el comportamiento de los usuarios y una definición inadecuada de éxito también pueden causar problemas. El diagnóstico debe considerar la tarea, los datos y el costo de cada tipo de error.