Glosario IA
El diccionario completo de la Inteligencia Artificial
Fuga de Información
Riesgo en el stacking donde el meta-modelo se entrena con los mismos datos que los modelos base, lo que lleva a un sobreajuste que el blending busca evitar mediante la validación hold-out.
Ponderación de Predicciones
Técnica en el blending donde el meta-modelo aprende pesos óptimos para combinar las predicciones de los modelos base, a menudo a través de una regresión lineal simple.
Estratificación del Hold-out
División estratificada del conjunto de validación hold-out en blending para garantizar que se preserve la distribución de clases, esencial para problemas de clasificación desbalanceados.
Blending de Múltiples Niveles
Extensión del blending donde las predicciones del primer meta-modelo se convierten en entradas para un segundo meta-modelo, creando una jerarquía de combinaciones de predicciones.
Cross-Blending
Variante del blending que utiliza múltiples divisiones hold-out y promedia las predicciones de los meta-modelos correspondientes para reducir la varianza asociada a la elección específica del hold-out.
Calibración de Predicciones
Paso en el blending donde las probabilidades de salida de los modelos base se recalibran antes de ser proporcionadas al meta-modelo para asegurar la coherencia en la escala de las predicciones.
Blending Estocástico
Enfoque donde el conjunto de validación hold-out se selecciona aleatoriamente en varias iteraciones, entrenando múltiples meta-modelos cuyas predicciones se promedian posteriormente.
Blending Temporal
Aplicación del blending a datos temporales donde el hold-out respeta el orden cronológico, utilizando los períodos recientes para entrenar el meta-modelo sobre predicciones pasadas.
Optimización del Ratio Hold-out
Proceso de determinación de la proporción óptima de datos a reservar para la validación hold-out en blending, equilibrando la calidad de entrenamiento de los modelos base y del meta-modelo.
Blending Adaptativo
Método donde el meta-modelo ajusta dinámicamente su combinación de predicciones en función del rendimiento observado de cada modelo base en diferentes segmentos de datos.