Glosario IA
El diccionario completo de la Inteligencia Artificial
Pasting Ensemble
Método de ensamblaje que construye múltiples modelos sobre subconjuntos aleatorios de los datos de entrenamiento, sin reemplazo, para reducir la varianza y mejorar la generalización.
Muestreo sin Reemplazo
Técnica de selección de observaciones donde cada elemento elegido es retirado de la población, garantizando subconjuntos únicos como en el pasting.
Muestreo con Reemplazo
Método donde las observaciones pueden ser seleccionadas múltiples veces en la misma muestra, característica fundamental del bagging.
Subconjunto de Entrenamiento
Porción de los datos de entrenamiento utilizada para construir un modelo individual en un método de ensamblaje, con o sin reemplazo según la técnica.
Agregación de Predicciones
Proceso de combinación de las predicciones individuales de los modelos de ensamblaje, típicamente por voto mayoritario (clasificación) o promedio (regresión).
Diversidad de Modelos
Principio según el cual los modelos de ensamblaje deben ser diferentes para que la agregación sea efectiva, obtenido mediante subconjuntos de datos variados.
Muestreo de Subespacio Aleatorio
Extensión del bagging donde los modelos son entrenados sobre subconjuntos aleatorios de características además de los subconjuntos de observaciones.
Pasting de Muestras Pequeñas
Variante del pasting que utiliza subconjuntos de tamaño reducido para acelerar el entrenamiento manteniendo la diversidad de modelos.
Varianza del Modelo
Sensibilidad del modelo a las variaciones en los datos de entrenamiento, que métodos de ensemble como el bagging buscan específicamente reducir.
Estabilidad de las Predicciones
Capacidad de un modelo para producir predicciones consistentes frente a ligeras variaciones en los datos de entrenamiento, mejorada por los métodos de ensemble.
Entrenamiento Ensemble Paralelo
Ventaja del bagging y del pasting que permite el entrenamiento simultáneo de modelos base en diferentes subconjuntos de datos.
Complejidad Muestral
Número de muestras necesarias para alcanzar un cierto rendimiento, potencialmente reducido por métodos de ensemble eficaces.