Todo modelo de machine learning necesita algún tipo de supuesto previo para poder generalizar a partir de un número finito de ejemplos; ese conjunto de supuestos incorporados en su diseño se llama sesgo inductivo. Por ejemplo, una red convolucional asume que los patrones visuales relevantes son locales y se repiten en distintas partes de una imagen.
Por qué elegirlo bien importa tanto
Un sesgo inductivo bien alineado con la naturaleza real del problema permite que un modelo aprenda de forma más eficiente, con menos datos y mejor generalización, mientras que uno mal elegido puede limitar innecesariamente lo que el modelo es capaz de aprender, sin importar cuántos datos se le den.