Cómo funciona
Underfitting, o subajuste, ocurre cuando un modelo no aprende patrones suficientes de los datos para hacer buenas predicciones. Suele presentar un desempeño débil tanto en los ejemplos usados para entrenamiento como en datos separados para evaluación. Esto contrasta con el overfitting, en el que el modelo se ajusta demasiado al entrenamiento y empeora con datos nuevos. El curso de machine learning de Google presenta estos conceptos junto con el análisis de curvas de entrenamiento y validación.
Un modelo puede subajustar porque es demasiado simple para representar la relación entre las variables, porque recibió pocos datos informativos o porque el proceso de entrenamiento no fue adecuado. Una tasa de aprendizaje mal elegida, una regularización excesiva o pocas etapas de entrenamiento también pueden contribuir, dependiendo del algoritmo. No existe una única señal que pruebe la causa.
Para investigar, compara el error en el conjunto de entrenamiento con el error en datos de validación que no se usaron para ajustar los parámetros. Si ambos se mantienen altos, puede haber subajuste, pero verifica también si las etiquetas, las variables y la métrica tienen sentido. Un modelo que predice bien la media puede parecer razonable en una métrica y fallar en casos importantes.
Ejemplo práctico
Imagina un sistema que estima el tiempo de entrega usando solo la distancia en línea recta. En la realidad, el tiempo también depende del tráfico, la hora, el clima y el tipo de ruta. Si el modelo es incapaz de representar esos factores, sus errores pueden seguir altos incluso en los datos que vio durante el entrenamiento.
El equipo puede comenzar verificando los datos y la definición del objetivo. Luego prueba una representación más informativa, como incluir la hora o la distancia por ruta, y compara modelos con complejidad adecuada. Cada cambio debe evaluarse en datos que no participaron del entrenamiento; ajustar la solución solo para los ejemplos ya vistos puede ocultar el problema.
El gráfico de pérdidas de entrenamiento y validación ayuda a entender la evolución. Si ambas se mantienen altas y cercanas, la capacidad del modelo o la información disponible puede ser insuficiente. Si la pérdida de entrenamiento cae, pero la de validación empeora, el patrón se parece más a overfitting. Estos son indicios para orientar la investigación, no un diagnóstico automático.
Para qué sirve
El concepto ayuda a reconocer cuándo mejorar la generalización exige una representación más rica, más datos relevantes o un proceso de entrenamiento diferente. Es útil durante experimentos de clasificación, pronóstico y redes neuronales, porque evita interpretar cualquier error como falta de entrenamiento o simplemente cambiar a un modelo más grande.
Un camino responsable es establecer una métrica de referencia, separar datos para entrenamiento y validación y cambiar una hipótesis a la vez. Si el modelo aprende poco, el equipo puede evaluar nuevas variables, aumentar la capacidad de forma controlada o revisar la regularización. Después, mide nuevamente el resultado en el conjunto de validación y guarda las pruebas para comparación.
Más complejidad no siempre es mejor. Un modelo más grande puede exigir más recursos y aumentar el riesgo de overfitting, mientras que datos adicionales pueden estar sesgados o no representar el uso real. También vale la pena comparar con una regla simple de referencia. Si una regla básica supera al modelo, investiga datos, etiquetas, métricas e implementación antes de ampliar la arquitectura.
En resumen, underfitting describe una capacidad insuficiente para aprender el patrón relevante. La solución depende de la causa observada en los datos y en las curvas, no de aplicar una receta única.