Un día de revisión en el internado remoto de ML / GenAI. Tres videos. Una regla. Una puntuación de entrenamiento no es prueba. Lo que mantuve: 1. Selección Mantén filas aparte. El entrenamiento aprende. La validación ajusta. La prueba es una puntuación honesta. No ajustes en el conjunto de prueba. k-fold es la misma idea, rotada. 2. Ajuste Subajuste: mal en entrenamiento y prueba. Demasiado simple. Sobreajuste: excelente en entrenamiento, pobre en prueba. Memorizó la tarea. 3. Pérdida La pérdida es el error: real menos predicho. Cuadrátala para que no pueda ser negativa. Promédiala. Un número necesita MSE. Una clase necesita entropía cruzada. Los parámetros se mueven para reducir ese error. Los tres bloqueos: La pérdida le dice al modelo cuán equivocado estuvo. La validación me dice si ese movimiento se generalizó. El sobreajuste es un pequeño error en entrenamiento y un gran error en prueba. Pregunta que aún tengo: si dos modelos tienen una pérdida de prueba similar, ¿elijo el más simple?