Ensamble de apilamiento semi-supervisado

El ensamble de apilamiento semi-supervisado extiende el marco clásico de generalización apilada a escenarios donde solo una fracción de los ejemplos de entrenamiento tienen etiquetas. Los "base learners" (modelos base) se entrenan primero con datos etiquetados y luego se utilizan para asignar pseudo-etiquetas a ejemplos no etiquetados; el conjunto de datos expandido entrena modelos base más robustos cuyas predicciones fuera de la partición ("out-of-fold") forman la entrada para un meta-learner, lo que produce un ensamble de dos niveles que explota tanto la estructura etiquetada como la no etiquetada.