Ensamblado de Apilamiento Explicable
El Ensamblado de Apilamiento Explicable combina el poder predictivo de la generalización apilada —entrenando un meta-aprendiz sobre las salidas de múltiples modelos base diversos— con herramientas de interpretabilidad como SHAP o LIME que revelan cómo cada modelo base y cada característica de entrada contribuyeron a la predicción final. Reduce la contraposición entre precisión y transparencia que hace opaco al apilamiento puro en entornos de alto riesgo.
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
- Wolpert, D. H. (1992). Stacked generalization. Neural Networks, 5(2), 241–259. DOI: 10.1016/S0893-6080(05)80023-1 ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. Advances in Neural Information Processing Systems, 30. link ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Explainable Stacking Ensemble (Interpretable Meta-Learning). ScholarGate. https://scholargate.app/es/machine-learning/explainable-stacking-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.
- Agregación de muestras bootstrap (Bagging)Aprendizaje por conjuntos↔ compare
- Gradient BoostingAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- XGBoostAprendizaje automático↔ compare
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →