Subajuste
Sinónimos: Underfitting
Definición ampliada
El subajuste, o underfitting, aparece cuando un modelo no aprende la estructura útil de la tarea y mantiene un error alto incluso en los datos de entrenamiento. Puede deberse a una representación demasiado rígida, variables insuficientes, regularización excesiva, poco entrenamiento o un procedimiento de optimización inadecuado.
No es simplemente «un modelo pequeño». Un modelo con capacidad suficiente puede subajustar si no se entrena bien, y un modelo complejo puede memorizar ruido sin aprender la relación que interesa.
Contexto histórico
El problema forma parte del estudio del compromiso entre sesgo, varianza y complejidad en estadística y aprendizaje automático. Se entiende junto al sobreajuste: uno no captura señal suficiente; el otro se adapta a particularidades que no se mantienen fuera de la muestra [1].
Importancia actual
A fecha de septiembre de 2026, diagnosticar subajuste sigue exigiendo comparar errores de entrenamiento y validación y revisar la curva de aprendizaje. Una métrica baja en prueba, por sí sola, no distingue subajuste de cambio de distribución, etiquetas defectuosas o fuga en la evaluación.
Aplicaciones
Generales
- Detectar que una relación curva se ha modelado con una recta demasiado rígida.
- Revisar si la regularización impide aprender patrones reproducibles.
- Comparar curvas de entrenamiento y validación antes de aumentar la capacidad.
Sanitarias
- Comprobar si un modelo de riesgo falla ya en la población de desarrollo antes de interpretar su rendimiento externo.
- Revisar si la representación omite temporalidad, interacciones o datos relevantes del proceso clínico.
- Evitar la conclusión automática de que «más complejo es mejor»: la corrección debe validarse en datos independientes.
Limitaciones
- Un error de entrenamiento alto también puede proceder de ruido irreducible, etiquetas incoherentes o una función de pérdida mal elegida.
- Las métricas agregadas pueden ocultar subajuste en un subgrupo.
- Añadir variables o parámetros puede desplazar el problema hacia el sobreajuste.
- Una buena puntuación interna no garantiza transportabilidad a otro centro o periodo.
- El diagnóstico depende de la tarea y de la métrica; no hay un umbral universal.
Ejemplos
Una recta ajustada a datos con una relación claramente curvada deja errores sistemáticos tanto en entrenamiento como en validación. Aumentar el grado del modelo puede reducirlos; elegir el grado mirando repetidamente el mismo conjunto de prueba introduciría, en cambio, sobreajuste en la evaluación.