Generalizzazione impilata

La generalizzazione impilata, o stacking, è un metodo d'insieme a due livelli in cui classificatori di base vengono addestrati sui dati originali e un meta-apprenditore viene addestrato sulle predizioni dei classificatori di base. Il meta-apprenditore impara come combinare al meglio le predizioni di base piuttosto che utilizzare regole di aggregazione fisse. Introdotto da David Wolpert nel 1992, lo stacking raggiunge prestazioni allo stato dell'arte imparando automaticamente la ponderazione ottimale e i pattern di interazione tra i modelli di base.