Función de pérdida
Sinónimos: Loss function · Función de coste
Definición ampliada
Una función de pérdida cuantifica el desacuerdo entre la salida de un modelo y el objetivo definido para cada ejemplo. El entrenamiento busca reducir una combinación de esas pérdidas, normalmente mediante gradientes que ajustan los parámetros [1].
No es necesariamente la misma medida con la que se juzgará el sistema. Puede optimizarse entropía cruzada y después informar calibración, sensibilidad, especificidad o utilidad clínica.
Contexto histórico
Las pérdidas proceden de la estadística, la teoría de decisión y la optimización. El error cuadrático se asoció a regresión y la pérdida logarítmica, a modelos probabilísticos. Con las redes neuronales, la función elegida se convirtió en el punto desde el que la retropropagación calcula cada actualización.
Importancia actual
A fecha de septiembre de 2026, diseñar la pérdida es una forma de declarar qué errores importan durante el aprendizaje. Pérdidas como focal loss reducen el peso de ejemplos fáciles para concentrar el entrenamiento en casos difíciles cuando existe gran desequilibrio [2]. Esa decisión técnica no sustituye la elección clínica de umbrales y consecuencias.
Aplicaciones
Generales
- Entrenar modelos de regresión, clasificación o generación.
- Penalizar de forma distinta clases o errores.
- Combinar varios objetivos dentro de un mismo entrenamiento.
Sanitarias
- Dar más peso durante el entrenamiento a eventos infrecuentes.
- Optimizar segmentación de lesiones o estructuras anatómicas.
- Incorporar costes asimétricos como hipótesis, separándolos de la decisión clínica final.
Limitaciones
- Minimizar la pérdida no garantiza buen rendimiento fuera de la muestra.
- Una pérdida mal alineada puede mejorar la métrica interna y empeorar el uso real.
- Ponderar clases cambia el aprendizaje, pero no corrige etiquetas erróneas ni falta de representatividad.
- La pérdida de entrenamiento no informa por sí sola de calibración o beneficio clínico.
Ejemplos
En un modelo que detecta una complicación infrecuente, ponderar más los casos positivos puede aumentar la sensibilidad. El umbral de alerta debe decidirse después con datos externos y con el coste de falsos positivos; no viene fijado por la pérdida.