Tipos de problemas de ML: La división básica entre aprendizaje supervisado (ejemplos etiquetados), no supervisado (sin etiquetas) y por refuerzo.
Lleva a
Funciones de costo y pérdida: El único número que un modelo intenta minimizar durante el entrenamiento, elegido para reflejar cuán equivocadas están sus predicciones.
Equilibrio sesgo-varianza: Un modelo demasiado simple tiene sesgo alto (subajusta); uno demasiado flexible tiene varianza alta (sobreajusta), y no se pueden minimizar ambos a la vez.
Métricas de evaluación de regresión: Formas de puntuar cuán lejos están las predicciones continuas de un modelo, desde el tamaño bruto del error hasta cuánta varianza explica.
Temas relacionados
Métricas de evaluación de regresión: Formas de puntuar cuán lejos están las predicciones continuas de un modelo, desde el tamaño bruto del error hasta cuánta varianza explica.
Equilibrio sesgo-varianza: Un modelo demasiado simple tiene sesgo alto (subajusta); uno demasiado flexible tiene varianza alta (sobreajusta), y no se pueden minimizar ambos a la vez.