Definition
El doble descenso desafía la compensación tradicional entre sesgo y varianza, mostrando que los modelos altamente sobreparametrizados pueden lograr un bajo error de prueba a pesar de interpolar los datos de entrenamiento. Inicialmente, el error aumenta debido al sobreajuste, pero luego disminuye nuevamente cuando el modelo se vuelve lo suficientemente complejo.
Summary
Un fenómeno donde el error de prueba disminuye, aumenta y luego vuelve a disminuir a medida que la complejidad del modelo crece más allá del umbral de interpolación.
Key Concepts
- Umbral de Interpolación
- Sobreparametrización
- Compensación Sesgo-Varianza
- Error de Prueba
Use Cases
- Análisis de las leyes de escalado en redes neuronales
- Comprensión de la generalización en el aprendizaje profundo
- Selección de modelos en sistemas de IA a gran escala