Label Smoothing (Suavizado de Etiquetas)

Es una técnica utilizada para mejorar la generalización de los modelos al suavizar las etiquetas de las clases objetivo en problemas de clasificación.

Consiste en modificar las etiquetas originales de entrenamiento, reemplazando los valores categóricos exactos (como 0 o 1) por distribuciones de probabilidad ajustadas.

La probabilidad de la clase verdadera se reduce ligeramente, asignando un pequeño porcentaje de probabilidad a las clases restantes.

Ayuda a mitigar problemas como el sobreajuste, ya que evita que el modelo confíe excesivamente en una clase específica.

Es especialmente útil en situaciones con datos desbalanceados o cuando las etiquetas pueden contener errores o ruido.

Su implementación es sencilla y requiere ajustar las etiquetas del conjunto de datos antes de entrenar el modelo.

Se utiliza en algoritmos de clasificación supervisada, como redes neuronales profundas y modelos de aprendizaje automático tradicionales.

Favorece una mayor robustez del modelo frente a cambios sutiles en los datos y mejora los resultados en tareas de evaluación realista.