¿Qué es Generalización? — una analogía

1La analogía

Al llegar por primera vez a un barrio desconocido, casi siempre se encuentra una tienda de conveniencia sin haber memorizado el mapa de ese lugar. Basta con caminar hacia las calles más anchas, fijarse cerca de las paradas de autobús y buscar con la vista los letreros iluminados de noche: son trucos que ya están incorporados. Cada barrio tiene sus propias calles y sus propios letreros, pero en dónde se ubica una tienda de conveniencia hay una regla que se repite en cualquier barrio. Quien capta esa regla compra una botella de agua en minutos incluso en un barrio nuevo. En cambio, quien memorizó de memoria las calles de su propio barrio se pierde apenas se aleja una cuadra. Para una IA, la generalización es exactamente ese truco: no rendir solo con los datos usados para entrenar, sino mantener la misma capacidad frente a datos que nunca vio.

2En detalle

El camino memorizado y el truco aprendido no se distinguen a simple vista

Dentro del barrio donde se vive, la diferencia entre ambas personas no se nota. Tanto quien memorizó las calles como quien aprendió el truco de ubicar la tienda llegan igual en cinco minutos. La diferencia solo se ve al bajarse en un barrio desconocido.

Con una IA pasa lo mismo. Mirando solo los datos de entrenamiento, el modelo que memorizó y el que captó la regla sacan puntajes parecidos, y a veces el que memorizó de forma más rígida saca incluso un puntaje más alto. Por eso el puntaje en los datos de entrenamiento no sirve como vara para medir la capacidad real.

A ese estado de haber memorizado inclinado hacia un solo lado se le llama sobreajuste, y la generalización es el objetivo que está en el extremo opuesto. Hay que tener siempre presente, durante todo el entrenamiento, que la razón de entrenar no es acertar bien los ejercicios de práctica, sino manejar bien datos que todavía no han aparecido.

Hay que dejar un barrio sin visitar para poder saberlo

Para medir la capacidad real hace falta un barrio que nunca se haya recorrido a pie. Si el examen se toma en un barrio ya visitado, gana quien memorizó. Por eso no se usa todo el material disponible para entrenar: se aparta una parte de antemano.

Esa parte apartada se divide otra vez en dos. La que revisa el estado durante el entrenamiento es el conjunto de validación, y la que se abre una sola vez al final es el conjunto de prueba. Como ajustar la configuración mirando el conjunto de validación termina acomodando el modelo también a ese conjunto, el juicio final de verdad se hace con el conjunto de prueba, que nadie tocó.

La brecha entre el puntaje en los datos de entrenamiento y el puntaje con datos nuevos indica qué tan lejos está la generalización de lograrse. Una brecha grande significa que el modelo memorizó; dos puntajes igual de bajos significan que todavía no aprendió lo suficiente.

La diversidad es lo que construye el truco

Recorrer cien veces el mismo barrio tampoco desarrolla mucho el truco. Quien camina una sola vez por un conjunto de edificios, un mercado, una zona universitaria y un pueblo, agarra la intuición mucho más rápido. Hay que encontrarse varias veces con situaciones que no se repiten para que salte a la vista lo que no cambia entre ellas.

Con los datos pasa igual. Juntar diez mil fotos no amplía el rango si todas se tomaron en el mismo lugar con la misma luz. Por eso se usa el aumento de datos, que gira las fotos o les cambia el brillo para multiplicar las situaciones, y desde la etapa de recolección se mezclan a propósito condiciones distintas.

También se interviene del lado del modelo. Si el modelo es demasiado grande para la cantidad de datos, le sobra capacidad para memorizar. Por eso se detiene el entrenamiento antes de que el puntaje siga subiendo, se deja descansar a propósito una parte de las conexiones, o se evita que ciertos valores crezcan demasiado hacia un lado.

El truco también tiene un alcance limitado

El truco de encontrar tiendas de conveniencia funciona bien en ciudades con calles angostas y letreros apretados por todos lados. Pero si se llega a un pueblo de montaña con pocos comercios, o a una ciudad extranjera con una estructura de calles totalmente distinta, ese truco pierde fuerza.

La generalización de una IA tampoco es infinita. Solo alcanza hasta situaciones parecidas en esencia a los datos de entrenamiento. Un modelo entrenado solo con fotos de día tropieza con fotos de noche, y uno entrenado solo con voces de adultos se pierde frente a voces infantiles. Si el rendimiento de un modelo que funcionaba bien cae de golpe, primero hay que revisar si cambió el mundo o si los datos quedaron viejos.

Por eso la generalización no es un estado que se alcanza y ya. Conviene revisarla todo el tiempo con datos nuevos mientras está en uso, y es más seguro dejar preparado de antemano que, si entra algo fuera del rango aprendido, se derive a una persona.

3Con más precisión

El rendimiento de generalización se define como el error medido en datos que no se usaron para entrenar. A la diferencia entre ese error y el error en los datos de entrenamiento se le llama brecha de generalización, y reducir esa brecha es el verdadero objetivo del entrenamiento. Una brecha muy abierta es sobreajuste; dos valores igual de altos son subajuste. Simplificar el modelo reduce la capacidad de memorizar y cierra la brecha, pero sube el error de base; complicarlo hace lo contrario. A esta disyuntiva se le llama el equilibrio entre sesgo y varianza.

La analogía también tiene sus límites. Una persona que no encuentra la tienda le pregunta a alguien que pasa o abre una aplicación de mapas: cambia de método. Un modelo no puede hacer eso. Una vez terminado el entrenamiento, repite solo la regla que aprendió, y da la misma respuesta con la misma confianza aunque esa regla ya no aplique. El truco de una persona se puede explicar en palabras; la regla que capturó un modelo, en la mayoría de los casos, no queda en una forma que una persona pueda entender.

4Pruébalo

5Malentendidos comunes

Es fácil pensar que un modelo con buena exactitud en los datos de entrenamiento es un buen modelo, pero en realidad ese puntaje puede ser producto de la memorización, y no prueba nada hasta medirlo de nuevo con datos nunca vistos.
Es fácil creer que juntar muchos datos genera generalización por sí sola, pero en realidad, si solo se multiplican datos parecidos, el rango sigue igual. Lo que hay que multiplicar es la variedad de situaciones, no solo la cantidad.
Es fácil pensar que un modelo bien generalizado funciona en cualquier parte, pero en realidad el rendimiento cae de golpe frente a algo de naturaleza distinta a lo que aprendió.

7Resumen en una línea

En resumenLa generalización no es la capacidad de acertar bien los datos con los que se practicó, sino la capacidad de mantener el mismo nivel frente a datos que nunca se habían visto.

¿Te ayudó esta analogía?

¿Has visto un error o tienes una analogía mejor? Sugerir una corrección · Última actualización2026-09-02