Las sondas de presión de múltiples orificios son cruciales para las mediciones de flujo en turbomáquinas, sin embargo, los métodos de procesamiento de datos convencionales a menudo carecen de generalización para flujos complejos. Este estudio presenta un enfoque innovador al integrar técnicas de aprendizaje automático con el principio de minimización del riesgo estructural (SRM), mejorando significativamente la capacidad de generalización de los modelos de regresión. Se ha desarrollado un marco integral que combina métodos de regresión de aprendizaje automático basados en SRM, como la regresión de crestas y la regresión de crestas de núcleo, con optimización de hiperparámetros y validación cruzada S-fold, para garantizar una selección de modelos robusta y precisa. Validados utilizando la función de McCormick y aplicados a las mediciones de cascada de turbinas transónicas VKI-RG, los métodos basados en SRM demostraron un rendimiento superior en comparación con los enfoques tradicionales de minimización del riesgo empírico, con menores ratios de error y valores más altos. Nuevas perspectivas del análisis SHAP revelaron diferencias sutiles pero significativas en los parámetros aerodinámicos, incluyendo una discrepancia en las predicciones del ángulo de flujo de salida, guiando el diseño de sondas y las estrategias de calibración. Este estudio presenta un flujo de trabajo holístico para mejorar las mediciones de sondas de presión de múltiples orificios en condiciones de alta subsónica, representando una mejora significativa sobre los métodos empíricos tradicionales y proporcionando referencias valiosas para aplicaciones prácticas.