Ensembling

El aprendizaje por conjuntos (ensemble learning) es una técnica de aprendizaje automático que mejora la precisión de las predicciones y la robustez combinando las salidas de múltiples modelos.

Técnica de Ensembling por Apilamiento (Stacking)

1. Classification Ensemble - Un modelo de clasificación que combina las predicciones de múltiples otros modelos utilizando técnicas de votación, específicamente votación dura (hard voting) y votación suave (soft voting). En la votación dura, la clase que recibe la mayoría de los votos entre todos los modelos es seleccionada para el resultado, mientras que la votación suave toma las probabilidades de cada predicción de clase por todos los modelos base y la clase con la probabilidad promedio más alta se selecciona como la predicción final.
2. Regression Ensemble - Un modelo de regresión que combina las predicciones de múltiples otros modelos mediante técnicas de promediado, específicamente promedio ponderado y promedio no ponderado.
3. Stacking Classification - Un clasificador de aprendizaje por conjuntos que combina las predicciones de múltiples clasificadores base (o modelos) para crear un meta-clasificador más potente y robusto. Esto es particularmente útil cuando se tienen varios clasificadores diversos con fortalezas y debilidades complementarias.
4. Stacking Regression - Un regresor de aprendizaje por conjuntos que combina las predicciones de múltiples regresores base (o modelos) para crear un meta-regresor más potente y robusto. Esto es particularmente útil cuando se tienen varios regresores diversos con fortalezas y debilidades complementarias.