Una época representa una pasada completa del algoritmo de entrenamiento a través de todos los ejemplos disponibles en el conjunto de datos de entrenamiento. Entrenar un modelo típicamente requiere múltiples épocas, ajustando los parámetros un poco más en cada pasada adicional.
Cómo se relaciona con el overfitting
Entrenar durante demasiadas épocas puede hacer que el modelo empiece a memorizar particularidades del conjunto de entrenamiento en lugar de seguir aprendiendo patrones generales, razón por la cual técnicas como early stopping monitorean el desempeño en un conjunto de validación para decidir cuándo detener el entrenamiento.