En el contexto del aprendizaje de pocos ejemplos, no se puede medir la capacidad de generalización de un clasificador entrenado utilizando conjuntos de validación, debido al pequeño número de muestras etiquetadas. En este artículo, estamos interesados en encontrar alternativas para responder a la pregunta: ¿mi clasificador está generalizando bien a nuevos datos? Investigamos el caso de soluciones de aprendizaje de pocos ejemplos basadas en transferencia y consideramos tres configuraciones: (i) supervisada, donde solo tenemos acceso a unas pocas muestras etiquetadas, (ii) semi-supervisada, donde tenemos acceso tanto a unas pocas muestras etiquetadas como a un conjunto de muestras no etiquetadas, y (iii) no supervisada, donde solo tenemos acceso a muestras no etiquetadas. Para cada configuración, proponemos medidas razonables que demostramos empíricamente que están correlacionadas con la capacidad de generalización de los clasificadores considerados. También mostramos que estas medidas simples pueden predecir la capacidad de generalización hasta cierto nivel de confianza. Realizamos nuestros experimentos en conjuntos de datos estándar de visión de pocos ejemplos.