Update README.md

README.md

@@ -113,13 +113,9 @@ for label, score in zip(resultado['labels'], resultado['scores']):
 El modelo fue entrenado con las siguientes configuraciones:
 
     Learning Rate: 2e-5
-
     Batch Size: 16
-
     Épocas: 10 (con Early Stopping)
-
     Weight Decay: 0.01
-
     Precisión: FP16 activa
 
 
@@ -129,6 +125,26 @@ Resultados de Evaluación (Classification Report)
 
 El modelo fue evaluado sobre un conjunto de prueba de 13,859 ejemplos, obteniendo un Accuracy global de 68%.
 
+| Epoch | Training Loss | Validation Loss | Accuracy |
+|-------|---------------|-----------------|----------|
+| 1     | 0.838667      | 0.850865        | 0.628328 |
+| 2     | 0.766949      | 0.797787        | 0.661087 |
+| 3     | 0.707689      | 0.779431        | 0.672343 |
+| 4     | 0.633748      | 0.857711        | 0.668879 |
+| 5     | 0.570300      | 0.902633        | 0.666138 |
+| 6     | 0.521099      | 0.920889        | 0.672415 |
+| 7     | 0.473461      | 0.950290        | 0.678187 |
+| 8     | 0.415742      | 1.079982        | 0.671188 |
+| 9     | 0.366492      | 1.132096        | 0.669673 |
+| 10    | 0.328156      | 1.211365        | 0.668158 |
+
+Análisis de resultados del entrenamiento
+
+El comportamiento de las métricas a lo largo de las 10 épocas permite identificar un fenómeno de sobreajuste o overfitting. A partir de la tercera época, se observa que la pérdida de entrenamiento (Training Loss) continúa disminuyendo de forma constante, pasando de 0.707689 a 0.328156. Sin embargo, la pérdida de validación (Validation Loss) alcanza su punto mínimo en la época 3 con 0.779431 y comienza a ascender progresivamente hasta llegar a 1.211365 en la última iteración. Esta divergencia indica que el modelo ha dejado de generalizar patrones para comenzar a memorizar el ruido de los datos de entrenamiento. Mientras que la precisión (Accuracy) en el conjunto de validación se estanca en torno al 67%, el incremento en la pérdida de validación sugiere que las predicciones del modelo son cada vez menos seguras fuera del entorno de entrenamiento.
+
+Por tanto habría que implementar estrategias de regularización para mitigar este comportamiento en futuros experimentos. Entre las opciones más efectivas se encuentran la detención temprana (Early Stopping) o la inclusión de capas de Dropout y regularización L2 para controlar la complejidad del aprendizaje.
+
+
 | Etiqueta | Precisión | Recall | F1-Score | Soporte |
 | :--- | :---: | :---: | :---: | :---: |
 | Entailment | 0.73 | 0.67 | 0.70 | 4777 |