## [Minimización del Riesgo Empírico](/es/node/58174) Definición Un principio de aprendizaje supervisado que selecciona un modelo predictivo de una clase de hipótesis minimizando la pérdida media calculada sobre una muestra de entrenamiento finita. ## Principio Principio Sustituir el riesgo poblacional desconocido por su promedio muestral empírico y escoger la hipótesis que alcanza la menor pérdida empírica; normalmente se añade regularización o control de capacidad para gestionar la generalización. ## Demostración Demostración Ajustar un predictor lineal minimizando el error cuadrático medio sobre pares entrada–salida observados es un ejemplo: los coeficientes elegidos minimizan la media muestral de los residuos cuadrados en el conjunto de datos. ## Aplicación incorrecta Aplicación incorrecta Minimizar ciegamente la pérdida empírica sin restringir la complejidad del modelo ni validar, conduciendo a sobreajuste donde el modelo elegido ajusta el ruido de la muestra y rinde mal en datos nuevos. ## Consecuencia Consecuencia Cuando la complejidad de la clase de hipótesis está controlada y el tamaño muestral es suficiente, los minimizadores empíricos convergen a bajo riesgo poblacional y producen predictores que generalizan; de lo contrario, las garantías fallan. ## Inversión Inversión En lugar de minimizar la pérdida empírica, se pueden usar métodos que integren explicitamente la incertidumbre del modelo o penalizaciones de complejidad (por ejemplo seleccionando según riesgo en validación o incorporando regularizadores explícitos). ## Límite Límite Se aplica a problemas con una función de pérdida definida y datos de entrenamiento etiquetados; no especifica por sí mismo cómo elegir la clase de hipótesis, cómo regularizar ni cómo evaluar el rendimiento fuera de muestra. ## Tensión semántica Tensión semántica Estrechamente relacionado pero distinto de métodos de inferencia que optimizan objetivos posteriores: el riesgo empírico se centra en minimizar la pérdida promedio muestral, mientras que otros marcos enfatizan la modelización probabilística y la cuantificación de la incertidumbre. ## Síntesis Síntesis La minimización del riesgo empírico es la regla algorítmica fundamental del aprendizaje supervisado: escoger el modelo que minimiza la pérdida media de entrenamiento, sujeto a controles adicionales para asegurar que el rendimiento empírico refleje la capacidad predictiva real.