El equilibrio sesgo-varianza: cómo fallan los modelos en producción

El equilibrio sesgo-varianza explica por qué el rendimiento de un modelo no va solo de complejidad o de precisión, sino de encontrar el punto justo en el que tu modelo generaliza bien a datos no vistos sin simplificar en exceso el problema ni ajustarse en exceso al conjunto de entrenamiento.

En este artículo te explico qué significan realmente sesgo y varianza en aprendizaje automático, cómo se contraponen y por qué entender este equilibrio te ayuda a crear modelos más robustos.

Si estás empezando con machine learning, nuestro How to Learn Machine Learning in 2026 te ayudará a ponerte al día en muy poco tiempo.

¿Qué es el sesgo?

El sesgo es el error que surge al hacer suposiciones demasiado simples sobre tus datos. No tiene nada que ver con la discriminación, al menos no en el contexto de machine learning.

Cuando un modelo tiene mucho sesgo, significa que es demasiado rígido para captar los patrones reales de tus datos. Es como intentar ajustar una línea recta a datos que claramente describen una curva: por mucho que la muevas, nunca reflejará la forma real.

A esto se le llama subajuste.

Un modelo con alto sesgo simplifica en exceso el problema. Asume relaciones más simples de lo que son y se pierde patrones clave que le ayudarían a predecir con precisión.

Imagina que predices precios de vivienda con superficie, número de dormitorios, ubicación y antigüedad. Un modelo con alto sesgo podría usar solo la superficie e ignorar todo lo demás. Asume que la superficie por sí sola determina el precio, lo cual es demasiado simple.

El resultado es un modelo que rinde mal tanto en entrenamiento como en datos nuevos porque no capta la complejidad de los precios reales.

La regresión lineal con pocas variables es un ejemplo clásico de alto sesgo. Los árboles de decisión con profundidad muy limitada también tienden a tener alto sesgo porque no pueden dividir los datos lo suficiente para encontrar patrones sutiles.

Un alto sesgo significa que tu modelo no aprende lo suficiente de los datos y convierte el problema en algo demasiado simple como para predecir con buena precisión.

¿Qué es la varianza?

La varianza mide cuán sensible es tu modelo a los datos concretos de entrenamiento que usas.

No se refiere a la medida estadística de dispersión. En machine learning, la varianza describe el comportamiento del modelo, no la distribución de los datos.

Cuando un modelo tiene alta varianza, pequeños cambios en los datos de entrenamiento provocan grandes cambios en sus predicciones. Es decir, si entrenas el mismo modelo con dos conjuntos de datos ligeramente distintos, obtendrás resultados muy diferentes.

A esto se le llama sobreajuste.

Un modelo con alta varianza es demasiado flexible. Aprende no solo los patrones reales, sino también el ruido y las fluctuaciones aleatorias que no generalizan. Básicamente memoriza los ejemplos de entrenamiento en lugar de aprender las relaciones subyacentes.

Imagina que sigues prediciendo precios, pero ahora con un modelo complejo con cientos de parámetros. Podría “aprender” que las casas de Oak Street siempre se venden por exactamente $427,350 porque eso ocurrió en tu entrenamiento.

El resultado es un modelo que brilla en entrenamiento pero falla en datos nuevos porque aprendió particularidades del conjunto de entrenamiento.

Las redes neuronales profundas y los árboles de decisión sin límite de profundidad son ejemplos clásicos de alta varianza. Tienen la flexibilidad para ajustar casi cualquier patrón, incluidos los que no significan nada.

Una alta varianza implica que tu modelo aprende demasiado de los datos: ajusta el ruido junto con la señal, lo que lo hace inestable y poco fiable en ejemplos nuevos.

Sesgo vs. varianza: diferencias clave

Sesgo y varianza son fuentes de error de predicción completamente distintas. Una vez entiendas la diferencia, te será más fácil diagnosticar qué le pasa a tu modelo.

• El sesgo procede de las suposiciones del modelo. Tiene que ver con el algoritmo elegido, las variables incluidas y cómo has planteado el problema. Una regresión lineal asume relaciones lineales, por lo que incurre en sesgo cuando la relación real no lo es. Este error existe incluso antes de mirar los datos de entrenamiento.
• La varianza procede de la sensibilidad a los datos de entrenamiento. Mide cuánto cambia tu modelo cuando lo entrenas con distintas muestras de la misma población. Un modelo con alta varianza aprende patrones distintos con conjuntos de entrenamiento ligeramente diferentes, lo que vuelve inestables sus predicciones.

Así afectan a los errores de predicción:

• Alto sesgo implica errores consistentes en la misma dirección. Siempre infrapredice o sobrepredice ciertos patrones porque no puede representar la relación real. Los errores son sistemáticos y previsibles.
• Alta varianza implica errores inconsistentes que cambian con los datos. Entrénalo con los datos del lunes y predice una cosa; con los del martes, algo muy distinto. Los errores son aleatorios e impredecibles.

El problema es que al reducir uno normalmente incrementas el otro.

Si haces tu modelo más complejo para reducir el sesgo, aumentas su flexibilidad. Esa flexibilidad lo vuelve más sensible a los datos de entrenamiento, elevando la varianza. Si lo simplificas para reducir la varianza, pierde capacidad para captar patrones complejos, aumentando el sesgo.

Esta relación inversa impide minimizar ambos a la vez. Tienes que encontrar el equilibrio que minimice el error total.

¿Qué es el equilibrio sesgo-varianza?

El equilibrio sesgo-varianza describe la tensión entre estas dos fuentes de error: cuando reduces una, casi siempre aumentas la otra.

Piensa que intentas dar en el blanco y tienes dos problemas que se contraponen. Puedes apuntar con más precisión (reducir sesgo), pero te vuelves más sensible al viento y a los temblores de la mano (aumenta la varianza). O puedes usar una postura más simple y estable (reducir varianza), pero limitas tu precisión (aumenta el sesgo).

La complejidad del modelo está en el centro de este equilibrio.

Con un modelo simple y pocos parámetros, obtienes alto sesgo y baja varianza. Hace suposiciones consistentes y apenas cambia con distintos datos de entrenamiento, pero no capta patrones complejos.

Con un modelo complejo y muchos parámetros, obtienes bajo sesgo y alta varianza. Puede representar relaciones intrincadas, pero se vuelve inestable y demasiado sensible a los ejemplos concretos de entrenamiento.

Así se ve la curva conceptual que lo explica:

• En el lado izquierdo (modelos simples): el error de entrenamiento es alto por subajuste. El error de test también es alto porque el modelo se pierde patrones reales.
• En el centro (modelos equilibrados): errores de entrenamiento y test bajos. El modelo capta patrones reales sin memorizar el ruido. Este es el punto óptimo.
• En el lado derecho (modelos complejos): el error de entrenamiento es muy bajo porque el modelo lo ajusta todo. El error de test es alto porque ha aprendido el ruido.

Curva de equilibrio sesgo-varianza

Buscas el punto donde el efecto combinado da el menor error de test.

No existe un modelo "perfecto" para todo. El equilibrio óptimo depende de tus datos, de la complejidad del problema y de cuánto entrenamiento tengas. Más datos suelen permitir usar modelos más complejos sin sobreajustar, desplazando el punto óptimo hacia la derecha.

Un ejemplo sencillo del equilibrio sesgo-varianza

Vamos a aterrizar el concepto con un escenario real que muestra cómo se manifiestan sesgo y varianza en la práctica.

Imagina que construyes un modelo para predecir el precio de alquiler de apartamentos en una ciudad. Tienes variables como superficie, número de dormitorios, barrio, distancia al metro, antigüedad del edificio y servicios.

Modelo simple: regresión lineal con una variable

Decides usar solo la superficie para predecir el precio con una regresión lineal simple.

Modelo simple

• Qué ocurre: el modelo traza una línea recta entre los puntos. Predice que cada 100 pies cuadrados añaden una cantidad fija al alquiler, sin importar la ubicación ni otros factores.
• Resultado: este modelo tiene alto sesgo y baja varianza. Infrapredice los pisos de lujo y sobrepredice los estudios porque no capta la compleja relación entre tamaño y precio según el barrio. Si lo entrenas con distintas muestras, obtendrás líneas parecidas: es estable, pero inexacto.

Modelo complejo: red neuronal profunda con todas las variables

Ahora creas una red neuronal profunda con varias capas ocultas usando todas las variables disponibles, más variables creadas como índices de criminalidad por barrio, walkability y cercanía a parques.

Modelo complejo

• Qué ocurre: la red aprende patrones intrincados. Podría “descubrir” que los pisos en la 5ª planta de tu entrenamiento siempre se alquilan por exactamente $2,847, o que los que dan al norte en Oak Street cuestan un 37% más que los que dan al sur.
• Resultado: este modelo tiene bajo sesgo y alta varianza. Ajusta casi a la perfección los datos de entrenamiento y captura cada detalle y fluctuación. Pero esos patrones no generalizan: son artefactos de tu muestra. Con otro conjunto, aprenderá patrones distintos. Las predicciones son inestables y poco fiables en datos nuevos.

Modelo equilibrado: regresión regularizada con variables clave

Usas regresión regularizada (como Ridge o Lasso) con un subconjunto seleccionado: superficie, dormitorios, categoría de barrio y distancia al transporte.

Modelo equilibrado

• Qué ocurre: el modelo capta las relaciones principales sin memorizar el ruido. Aprende que importan el tamaño y la ubicación, pero no se obsesiona con cada pequeña fluctuación del entrenamiento.
• Resultado: este modelo equilibra sesgo y varianza. Es lo bastante flexible para captar patrones reales y lo bastante acotado para evitar el sobreajuste. El error de entrenamiento es moderado, pero el de test es bajo, que es lo que importa para predecir en nuevos pisos.

El modelo equilibrado no ajustará a la perfección tus datos de entrenamiento, y eso es precisamente lo deseable.

El equilibrio sesgo-varianza en los modelos de machine learning

Distintos algoritmos tienden de forma natural hacia alto sesgo o hacia alta varianza. Entender estas tendencias te ayuda a elegir la herramienta adecuada.

Modelos lineales

La regresión lineal y la regresión logística están en el extremo de alto sesgo.

Estos modelos asumen relaciones lineales: cambia una variable y la salida cambia una cantidad fija. Cuando hay patrones no lineales, curvas o interacciones complejas, no pueden captarlos.

La ventaja es la estabilidad. Si entrenas un modelo lineal con distintas muestras, obtendrás coeficientes similares. Baja varianza, pero potencialmente alto sesgo si la relación real no es lineal.

Árboles de decisión

Los árboles de decisión se comportan de forma distinta según su configuración.

Un árbol poco profundo con pocas particiones actúa como un modelo simple: alto sesgo, baja varianza. Generaliza en exceso y no capta detalles finos.

Un árbol profundo sin límite de profundidad se vuelve extremadamente flexible. Sigue dividiendo hasta que cada hoja contiene muy pocos puntos, lo que equivale a memorizar tu entrenamiento. Bajo sesgo, pero varianza por las nubes: su estructura cambia drásticamente con distintas muestras.

Por eso funcionan tan bien los random forests: promedian muchas predicciones de árboles, reduciendo la varianza y manteniendo bajo el sesgo.

K-nearest neighbors

El equilibrio de KNN depende totalmente de tu elección de k.

Con k pequeño (k=1 o k=3), el modelo tiene alta varianza. Basa sus predicciones en muy pocos puntos cercanos, por lo que es extremadamente sensible a los ejemplos concretos del entrenamiento. Pequeños cambios producen predicciones muy distintas.

Con k grande (k=50 o k=100), el modelo tiene alto sesgo. Promedia tantos vecinos que suaviza los patrones locales y se pierde detalles importantes.

El k óptimo está en un punto intermedio que equilibra ambos extremos.

Redes neuronales

Las redes neuronales son, por naturaleza, modelos de alta varianza porque tienen muchísimos parámetros que aprender.

Una red con varias capas y cientos de neuronas puede representar funciones muy complejas. Esta flexibilidad implica bajo sesgo: puede aprender casi cualquier patrón. Pero también alta varianza: los pesos dependen mucho de los datos, la inicialización y el proceso de entrenamiento.

Por eso necesitan grandes cantidades de datos para funcionar bien. Más datos estabilizan el aprendizaje y reducen la varianza. Y por eso existen técnicas como dropout, batch normalization y early stopping: para controlar la varianza y evitar el sobreajuste.

Redes más pequeñas con menos capas y neuronas tienen más sesgo y menos varianza; redes más grandes, menos sesgo y más varianza.

Cómo afecta la complejidad del modelo al sesgo y la varianza

La complejidad del modelo no es un único número. Es la flexibilidad que tiene para ajustar diferentes patrones.

La complejidad proviene de varias fuentes: más variables, más capas en una red neuronal, árboles más profundos, términos polinómicos en regresión o valores de k más bajos en KNN. El denominador común es que dan más libertad para ajustar patrones intrincados.

Al añadir parámetros, das al modelo más formas de representar relaciones. Un modelo lineal con 3 variables solo puede trazar un plano. Con términos polinómicos e interacciones puede curvarse para ajustarse a patrones más complejos. Las suposiciones se vuelven menos restrictivas, bajando el sesgo.

Pero esta flexibilidad tiene un coste: aumenta la varianza.

Más parámetros significan más valores que aprender de tu entrenamiento. Cada parámetro se ajusta a ejemplos concretos, haciendo el modelo más sensible a qué ejemplos incluyes. Si cambias algunas muestras, esos parámetros se mueven para acomodar los nuevos datos. El modelo se vuelve inestable.

Por eso fijarse solo en el error de entrenamiento es engañoso y peligroso.

Al aumentar la complejidad, el error de entrenamiento siempre baja. Tu modelo ajusta mejor y mejor, hasta casi la perfección. Parece ideal, hasta que descubres que está memorizando ruido en lugar de aprender patrones.

El error en el conjunto de test es el que te dice lo bueno que es tu modelo de verdad.

Al principio, al añadir complejidad, el error de test baja porque el modelo empieza a captar patrones reales. Pero pasado cierto punto, el error de test sube aunque el de entrenamiento siga bajando. El modelo está sobreajustando: aprende particularidades del entrenamiento que no generalizan.

Una brecha pequeña entre el error de entrenamiento y de test indica que tu modelo generaliza bien. Una brecha grande indica sobreajuste: toca reducir complejidad o añadir más datos.

Técnicas para gestionar el equilibrio sesgo-varianza

No puedes eliminar este equilibrio, pero sí controlarlo con las técnicas adecuadas. Aquí van algunas.

División train/test

Nunca evalúes tu modelo con los mismos datos con los que lo entrenaste.

Separa los datos en conjuntos de entrenamiento y test antes de nada. Entrena con una parte y evalúa con la otra. Así obtendrás una medida honesta de cómo generaliza tu modelo.

El conjunto de test actúa como un proxy del rendimiento en el mundo real. Si el error de entrenamiento es bajo pero el de test es alto, estás sobreajustando. Si ambos son altos, estás subajustando.

Validación cruzada

La división train/test tiene una debilidad: depende de qué ejemplos caen en cada parte.

La validación cruzada lo soluciona entrenando y probando varias veces con particiones distintas. Lo más común es k-fold: divides en k partes, entrenas con k-1 y pruebas con la restante. Repites k veces para que cada parte sea test una vez.

Así obtienes una estimación más fiable del rendimiento y puedes ajustar hiperparámetros sin sobreajustar a un único conjunto de test.

Regularización

La regularización añade una penalización a la complejidad directamente en la función de pérdida.

Técnicas como L1 (Lasso) y L2 (Ridge) desincentivan parámetros grandes, forzando al modelo a mantenerse más simple y estable. Aumentan un poco el sesgo, pero reducen la varianza, mejorando a menudo el rendimiento en test.

El dropout en redes neuronales funciona de forma similar: desactiva neuronas aleatoriamente durante el entrenamiento para evitar dependencia excesiva en parámetros concretos y reducir el sobreajuste.

Más datos vs. mejores modelos

Más datos de entrenamiento suelen ser la mejor solución a la alta varianza.

Con más ejemplos, tu modelo ve una muestra más amplia de patrones posibles. Es más difícil sobreajustar al ruido porque se promedia. La varianza baja sin sacrificar el bajo sesgo de un modelo complejo.

Pero recopilar más datos no siempre es viable.

Si tienes datos limitados, céntrate en la selección de modelos: elige modelos más simples, añade regularización o usa métodos de conjunto que combinen varios modelos para reducir la varianza.

Selección de variables

No todas las variables mejoran tu modelo. Algunas solo añaden ruido.

Elimina variables irrelevantes o redundantes para reducir la complejidad sin perder señal. Menos variables implican menos parámetros que aprender, bajando la varianza. También evitas la maldición de la dimensionalidad en espacios de alta dimensión con pocos datos.

Usa técnicas como análisis de correlaciones, importancia de variables en modelos basados en árboles o regularización que anula automáticamente las menos relevantes.

El objetivo es quedarte con el mínimo conjunto que capture la señal sin el ruido.

Ideas equivocadas frecuentes sobre el equilibrio sesgo-varianza

Aclaremos tres errores habituales que llevan a malas decisiones de modelado.

"Menos sesgo siempre es mejor"

No. Menos sesgo significa que tu modelo puede representar patrones complejos, pero eso solo sirve si esos patrones existen y generalizan a nuevos ejemplos.

Reducir el sesgo añadiendo complejidad a menudo incrementa la varianza más rápido de lo que reduce el sesgo. Acabas con un modelo que ajusta perfectamente el entrenamiento pero rinde peor en test. El objetivo es minimizar el error total, no solo el sesgo.

A veces, un modelo más simple con mayor sesgo funciona mejor porque su varianza es lo bastante baja como para generalizar bien.

"El sobreajuste significa que el modelo es malo"

No exactamente. El sobreajuste significa que tu modelo es demasiado complejo para la cantidad de datos que tienes, pero el modelo en sí no es malo por naturaleza.

La misma arquitectura de red neuronal que sobreajusta con 1,000 ejemplos puede funcionar perfecta con 100,000. El problema es el desajuste entre capacidad y tamaño de datos.

Puedes arreglar el sobreajuste añadiendo datos, reduciendo complejidad o aplicando regularización. No necesitas descartar el modelo y empezar de cero.

"Más datos siempre arreglan la varianza"

Más datos reducen la varianza, pero no la eliminan, y hay límites a cuánto ayudan.

Si tu modelo es extremadamente complejo para tu problema, ni siquiera conjuntos grandes pueden estabilizarlo lo suficiente. Una red con millones de parámetros necesita datos masivos para entrenar bien.

Además, añadir más datos solo ayuda si representan la misma distribución que tu test. Recopilar datos sesgados o ruidosos no reducirá la varianza; puede empeorar reforzando patrones que no generalizan.

Equilibrio sesgo-varianza vs. sobreajuste y subajuste

Sesgo-varianza y sobreajuste-subajuste describen los mismos problemas desde ángulos distintos, pero no son términos intercambiables.

Recuerda esto:

• Mucho sesgo causa subajuste. Cuando tu modelo tiene suposiciones fuertes que no encajan con la realidad, se pierde patrones en entrenamiento y test. Es demasiado simple para representar la relación real: eso es subajuste.
• Mucha varianza causa sobreajuste. Cuando el modelo es demasiado sensible al entrenamiento, aprende ruido y patrones que no generalizan. Memoriza ejemplos en lugar de aprender el patrón subyacente: eso es sobreajuste.

El sesgo y la varianza son propiedades del modelo.

Describen cómo se comporta tu modelo en distintas muestras de entrenamiento. Puedes medir el sesgo viendo cuán lejos están, de media, las predicciones de la verdad. Puedes medir la varianza viendo cuánto cambian las predicciones con diferentes datos de entrenamiento.

El subajuste y el sobreajuste son síntomas observables.

Describen lo que ocurre al entrenar y evaluar. Verás subajuste cuando errores de entrenamiento y test sean altos. Verás sobreajuste cuando el error de entrenamiento sea bajo pero el de test alto.

La conexión es directa pero no uno a uno. Alto sesgo suele llevar a subajuste y alta varianza a sobreajuste. Pero puedes tener un modelo con sesgo y varianza moderados que no subajuste ni sobreajuste y aun así rinda mal por otras razones, como variables equivocadas o baja calidad de datos.

Consejos prácticos para interpretar el rendimiento del modelo

Algunos últimos consejos para diagnosticar problemas de sesgo-varianza y tomar mejores decisiones.

Mira los errores de entrenamiento y validación juntos, no por separado

El error de entrenamiento por sí solo no dice nada de la generalización. Un 1% de error en entrenamiento puede convertirse en 50% en test si hay sobreajuste.

Compáralos para entender qué pasa.

• Si ambos son altos, hay alto sesgo: el modelo es demasiado simple
• Si el error de entrenamiento es bajo y el de validación alto, hay alta varianza: el modelo sobreajusta
• Si ambos son bajos, has encontrado el equilibrio

No optimices solo por la precisión en entrenamiento

Una precisión perfecta en entrenamiento es una bandera roja. Suele significar que has memorizado el conjunto sin aprender patrones que generalicen.

Céntrate en el rendimiento en validación. Tu objetivo es minimizar la brecha entre errores de entrenamiento y validación manteniendo ambos razonablemente bajos.

Usa validación cruzada para estimaciones fiables

Un único split train-test puede ser engañoso porque depende de qué ejemplos cayeron en cada conjunto. Un split desafortunado puede hacer que un buen modelo parezca malo o al revés.

La validación cruzada promedia el rendimiento en múltiples particiones y te da una estimación más estable. Es clave cuando tienes pocos datos o al ajustar hiperparámetros.

Equilibra simplicidad y flexibilidad según el tamaño de tus datos

Con conjuntos pequeños, prioriza modelos simples. Son más estables y menos propensos al sobreajuste cuando hay pocos ejemplos.

Con conjuntos grandes, puedes permitirte más complejidad porque los datos adicionales estabilizan el aprendizaje y reducen la varianza. Pero no añadas complejidad por añadir: hazlo solo si mejora la validación.

Conclusión

No puedes construir un modelo con cero sesgo y cero varianza. Cada decisión de modelado cambia el equilibrio entre estas dos fuentes de error. Si añades complejidad, reduces sesgo pero aumentas varianza. Si simplificas, reduces varianza pero aumentas sesgo.

El rendimiento depende de encontrar el equilibrio adecuado. El mejor modelo es el que minimiza el error total equilibrando sesgo y varianza para tu problema y tus datos. Entender este equilibrio te permite diagnosticar si tu modelo sufre de alto sesgo o alta varianza y aplicar la solución correcta.

Si quieres practicar machine learning, apúntate a nuestro itinerario Machine Learning Fundamentals in Python. Incluye 16 horas de vídeo que te ayudarán a conseguir tu primer trabajo.