Underfitting

El subajuste (underfitting) ocurre cuando un modelo es demasiado simple para capturar la estructura subyacente de los datos. Al partir de suposiciones demasiado rígidas —por ejemplo, ajustar una línea recta a una nube de puntos que describe una curva—, no logra aprender ni siquiera las regularidades presentes en el conjunto de entrenamiento. El síntoma es inconfundible: el modelo rinde mal tanto con los datos de entrenamiento como con los de prueba.

En el vocabulario del aprendizaje automático, el subajuste es la cara visible de un sesgo alto (high bias): el modelo llega a los datos con supuestos fuertes sobre la forma de la relación y esos supuestos le impiden acercarse a la verdad. Como resume la documentación de IBM, un modelo con sesgo elevado es demasiado simplista para reflejar los patrones reales, y por eso falla ya en el propio entrenamiento.

Frente al sobreajuste: el compromiso sesgo-varianza

El subajuste es el opuesto del sobreajuste (overfitting). Mientras el modelo subajustado ignora la señal, el sobreajustado memoriza el ruido: aprende de maravilla el conjunto de entrenamiento pero falla al generalizar a datos nuevos. Ambos extremos se entienden con el compromiso sesgo-varianza (bias-variance tradeoff). En el clásico «Deep Learning» de Goodfellow, Bengio y Courville, la capacidad del modelo articula esta tensión: con poca capacidad domina el sesgo y aparece el subajuste; con demasiada, se dispara la varianza y aparece el sobreajuste. «The Elements of Statistical Learning», de Hastie, Tibshirani y Friedman, formaliza esa descomposición del error. El objetivo no es minimizar uno u otro término, sino hallar el punto medio de capacidad que generaliza bien.

Causas habituales

El subajuste suele tener orígenes concretos: un modelo poco expresivo para la tarea (una recta para datos curvos, un árbol demasiado poco profundo); características insuficientes o mal elegidas, que no aportan la información necesaria; un exceso de regularización, que penaliza tanto la complejidad que el modelo queda anémico; o un entrenamiento insuficiente, detenido antes de que el modelo converja. Conviene distinguir aquí el abuso de la regularización, que subajusta, de su uso justo, que combate el sobreajuste.

Cómo diagnosticarlo y remediarlo

El diagnóstico es directo y lo separa con nitidez del sobreajuste: un error de entrenamiento alto. Si el modelo ya falla con los datos que ha visto, falta capacidad; en el sobreajuste, en cambio, el error de entrenamiento es bajo y el de prueba, alto. Las curvas de aprendizaje, como muestra la documentación de scikit-learn con su ejemplo de regresión polinómica, ayudan a confirmarlo. Los remedios apuntan a la causa: usar un modelo más complejo o flexible, añadir o mejorar características mediante ingeniería de características, reducir la regularización o entrenar durante más tiempo. Corregido el subajuste, la vigilancia se traslada al extremo contrario para no caer en el sobreajuste.