Generalización

En el aprendizaje automático, uno de los desafíos clave es que los modelos no solo se ajusten bien a los datos de entrenamiento, sino que también logren realizar predicciones precisas en ejemplos no vistos. Este comportamiento deseado se conoce como generalización.

En los problemas de aprendizaje supervisado, el modelo hθ se entrena minimizando una función de costo J(θ), lo que permite ajustarse a los datos de entrenamiento. Esta métrica se denomina pérdida (o error) de entrenamiento. (más…)