Translations:Overfitting and Regularization/36/es - Revision history

DeployBot: Batch translate Overfitting and Regularization unit 36 → es

2026-04-27T23:40:52Z

Batch translate Overfitting and Regularization unit 36 → es

← Older revision		Revision as of 23:40, 27 April 2026
Line 1:		Line 1:
	# ~~Empezar~~ con un modelo lo suficientemente grande como para ~~sobreajustarse a~~ los datos de entrenamiento — esto confirma que el modelo tiene capacidad suficiente.		# Comenzar con un modelo lo suficientemente grande como para sobreajustar los datos de entrenamiento — esto confirma que el modelo tiene capacidad suficiente.
	# Añadir regularización de forma incremental (dropout, weight decay, ~~aumentación~~ de datos) y ~~supervisar~~ el rendimiento en validación.		# Añadir regularización de forma incremental ({{Term\|dropout}}, {{Term\|weight decay\|decaimiento de pesos}}, aumento de datos) y monitorizar el rendimiento de validación.
	# ~~Usar~~ la detención temprana ~~(early stopping)~~ como red de seguridad.		# Utilizar la detención temprana como red de seguridad.
	# Preferir más datos de entrenamiento ~~frente a~~ una regularización más fuerte siempre que sea posible — la regularización es un sustituto de los datos, no un reemplazo.		# Preferir más datos de entrenamiento antes que una regularización más fuerte siempre que sea posible — la regularización es un sustituto de los datos, no un reemplazo.
	# Ajustar la fuerza de la regularización (<math>\lambda</math>, tasa de dropout) ~~usando~~ un conjunto de validación, nunca el de prueba.		# Ajustar la fuerza de regularización (<math>\lambda</math>, tasa de {{Term\|dropout}}) utilizando un conjunto de validación, nunca el conjunto de prueba.

DeployBot: Batch translate Overfitting and Regularization unit 36 → es

2026-04-27T22:04:57Z

Batch translate Overfitting and Regularization unit 36 → es

← Older revision		Revision as of 22:04, 27 April 2026
Line 1:		Line 1:
	# ~~Comience~~ con un modelo lo suficientemente grande como para ~~sobreajustar~~ los datos de entrenamiento — esto confirma que el modelo tiene capacidad suficiente.		# Empezar con un modelo lo suficientemente grande como para sobreajustarse a los datos de entrenamiento — esto confirma que el modelo tiene capacidad suficiente.
	# ~~Añada~~ regularización de ~~manera~~ incremental (dropout, ~~decaimiento de pesos~~, ~~aumento~~ de datos) y ~~supervise~~ el ~~desempeño~~ en validación.		# Añadir regularización de forma incremental (dropout, weight decay, aumentación de datos) y supervisar el rendimiento en validación.
	# ~~Utilice~~ la ~~parada~~ temprana como red de seguridad.		# Usar la detención temprana (early stopping) como red de seguridad.
	# ~~Prefiera~~ más datos de entrenamiento ~~antes que~~ una regularización más fuerte siempre que sea posible — la regularización es un sustituto de los datos, no un reemplazo.		# Preferir más datos de entrenamiento frente a una regularización más fuerte siempre que sea posible — la regularización es un sustituto de los datos, no un reemplazo.
	# ~~Ajuste~~ la fuerza de la regularización (<math>\lambda</math>, tasa de dropout) usando un conjunto de validación, nunca el ~~conjunto~~ de prueba.		# Ajustar la fuerza de la regularización (<math>\lambda</math>, tasa de dropout) usando un conjunto de validación, nunca el de prueba.

DeployBot: Batch translate Overfitting and Regularization unit 36 → es

2026-04-27T03:39:54Z

Batch translate Overfitting and Regularization unit 36 → es

New page

# Comience con un modelo lo suficientemente grande como para sobreajustar los datos de entrenamiento — esto confirma que el modelo tiene capacidad suficiente.
# Añada regularización de manera incremental (dropout, decaimiento de pesos, aumento de datos) y supervise el desempeño en validación.
# Utilice la parada temprana como red de seguridad.
# Prefiera más datos de entrenamiento antes que una regularización más fuerte siempre que sea posible — la regularización es un sustituto de los datos, no un reemplazo.
# Ajuste la fuerza de la regularización (<math>\lambda</math>, tasa de dropout) usando un conjunto de validación, nunca el conjunto de prueba.