Un modelo de riesgo de crédito muestra un 99% de precisión en el entrenamiento, pero solo un 82% de precisión en la validación. La empresa necesita corregir esta brecha de rendimiento antes de la implementación. ¿Qué medidas abordan el sobreajuste y mejoran la generalización?

La precisión del 99% en el entrenamiento y 82% en la validación indica un sobreajuste (overfitting), donde el modelo memoriza los datos de entrenamiento pero no generaliza bien a datos nuevos. Las capas de dropout apagan aleatoriamente un porcentaje de neuronas durante el entrenamiento, obligando al modelo a aprender características más robustas. La regularización L1 o L2 añade un término de penalización a la función de pérdida, desincentivando pesos grandes y reduciendo la complejidad del modelo. La validación cruzada k-fold ayuda a evaluar la generalización del modelo de manera más robusta al entrenar y validar en diferentes subconjuntos de datos. Añadir más capas densas o aumentar la complejidad del modelo (opción 1) empeoraría el sobreajuste. PCA (opción 3) es para reducir dimensionalidad, no directamente para el sobreajuste, y disminuir capas podría llevar a un subajuste. Aumentar el conjunto de datos (opción 4) puede ayudar, pero no es una técnica directa de regularización y eliminar duplicados o muestreo estratificado no abordan el sobreajuste en sí.