Ensemble de Boosting
El boosting es un método de ensemble que entrena secuencialmente aprendices débiles y los combina en un predictor fuerte centrándose en las muestras que los modelos anteriores clasificaron erróneamente. Cada nuevo aprendiz débil se pondera según la dificultad de su tarea de entrenamiento, y las predicciones finales se realizan mediante votación ponderada. Pionero por Schapire (1990) y refinado en AdaBoost (Freund & Schapire, 1997), el boosting convierte aprendices débiles (apenas mejores que el azar) en aprendices fuertes a través de la reponderación secuencial.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Schapire, R. E. (1990). The strength of weak learnability. Machine Learning, 5(2), 197-227. DOI: 10.1023/A:1022648800760 ↗
- Freund, Y., & Schapire, R. E. (1997). A decision-theoretic generalization of on-line learning and an application to boosting. Journal of Computer and System Sciences, 55(1), 119-139. DOI: 10.1006/jcss.1997.1504 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Boosting Ensemble Method. ScholarGate. https://scholargate.app/es/ensemble-learning/boosting-ensemble
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- AdaBoostAprendizaje automático↔ compare
- Agregación de muestras bootstrap (Bagging)Aprendizaje por conjuntos↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Votación MayoritariaAprendizaje por conjuntos↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →