Glosario IA
El diccionario completo de la Inteligencia Artificial
Puntuación Out-of-Bag
Métrica de rendimiento derivada del error out-of-bag, frecuentemente expresada como 1 menos el error OOB, proporcionando una evaluación interna de la calidad del modelo sin validación cruzada.
Estimación OOB
Estimación no sesgada del error de prueba obtenida al agregar las predicciones sobre las muestras out-of-bag para cada observación del conjunto de entrenamiento.
Error de Bagging
Error de generalización de un modelo de bagging, que puede ser estimado eficientemente mediante el método out-of-bag sin requerir un conjunto de validación externo.
OOB de Bosque Aleatorio
Aplicación específica del error out-of-bag a los bosques aleatorios, donde cada árbol es evaluado sobre las muestras no utilizadas en su bootstrap para estimar el rendimiento global.
Importancia de Variables OOB
Medida de la importancia de las variables calculada evaluando el incremento del error OOB cuando los valores de una variable son permutados aleatoriamente en las muestras out-of-bag.
Validación Cruzada OOB
Alternativa a la validación cruzada tradicional que utiliza las muestras out-of-bag como conjuntos de validación internos para cada iteración de bootstrap.
Reducción de Varianza en Bagging
Propiedad fundamental del bagging que reduce la varianza de las predicciones promediando las salidas de modelos entrenados en diferentes muestras bootstrap.
Intervalo de Confianza OOB
Intervalo de confianza para el error de generalización estimado a partir de la distribución de los errores out-of-bag sobre las diferentes muestras bootstrap.
Subagging OOB
Variante del bagging que utiliza submuestreos sin reemplazo, donde la estimación out-of-bag debe adaptarse para tener en cuenta la estrategia de muestreo diferente.
OOB Proximity Matrix
Matriz que mide la proximidad entre observaciones basada en la frecuencia con la que caen en las mismas hojas terminales de los árboles evaluados en las muestras out-of-bag.
Bagging Instability
Medida de la sensibilidad de un algoritmo base a las variaciones en los datos de entrenamiento, condición necesaria para que el bagging y la estimación OOB sean efectivos.
OOB Learning Curve
Curva que muestra la evolución del error out-of-bag en función del número de modelos en el conjunto, permitiendo optimizar el tamaño del conjunto sin sobreajuste.