Explica el equilibrio sesgo-varianza y cómo reaccionas ante cada síntoma.

Sesgo: error de un modelo demasiado simple para el patrón. Síntoma: error alto en los datos de entrenamiento y de validación (subajuste).
Varianza: error de un modelo demasiado sensible a la muestra de entrenamiento. Síntoma: error de entrenamiento bajo y error de validación mucho mayor (sobreajuste).
Más capacidad del modelo baja el sesgo y sube la varianza; el mejor modelo está en un punto intermedio.
Sesgo alto: features más ricas, un modelo más flexible, menos regularización.
Varianza alta: más datos, un modelo más simple, más regularización, menos features, bagging o parada temprana.
Dibuja curvas de aprendizaje (error frente al tamaño del entrenamiento) para ver en qué caso estás.