Descripción: El subajuste es un error de modelado que ocurre cuando un modelo es demasiado simple para capturar la tendencia subyacente de los datos. Este fenómeno se presenta cuando el modelo no tiene la capacidad suficiente para aprender de la complejidad de los datos, lo que resulta en un rendimiento deficiente en el conjunto de entrenamiento y en el conjunto de prueba. En términos de aprendizaje automático, un modelo subajustado no logra generalizar adecuadamente, lo que significa que no puede hacer predicciones precisas sobre nuevos datos. Las características principales del subajuste incluyen una alta tasa de error en los datos de entrenamiento y una incapacidad para capturar patrones significativos. Este problema es común en modelos lineales aplicados a datos no lineales, donde la simplicidad del modelo impide que se reconozcan las relaciones más complejas. En la práctica, el subajuste puede ser identificado mediante la evaluación de métricas de rendimiento, como la precisión o el error cuadrático medio, que muestran que el modelo no está aprovechando adecuadamente la información disponible en los datos. La relevancia del subajuste radica en su impacto en la eficacia de los modelos predictivos, lo que puede llevar a decisiones erróneas en aplicaciones críticas como la detección de fraudes, el diagnóstico médico o la predicción de tendencias de mercado.
