9 de octubre de 2025
Descubre cómo el aprendizaje ensamblado mejora el rendimiento de los modelos de IA a través de técnicas como bagging, boosting y stacking para ofrecer predicciones más precisas y estables.
Las innovaciones de la IA, como los motores de recomendación y los sistemas de detección de fraude, se basan en algoritmos y modelos de aprendizaje automático para realizar predicciones y tomar decisiones basadas en datos. Estos modelos pueden identificar patrones, pronosticar tendencias y ayudar a automatizar tareas complejas.
Sin embargo, un solo modelo puede tener dificultades para capturar todos los detalles en los datos del mundo real. Podría funcionar bien en algunos casos, pero no en otros, como un modelo de detección de fraudes que no detecta nuevos tipos de transacciones.
Esta limitación es algo a lo que los ingenieros de IA se enfrentan a menudo al construir e implementar modelos de aprendizaje automático. Algunos modelos se sobreajustan al aprender los datos de entrenamiento demasiado de cerca, mientras que otros se subajustan al pasar por alto patrones importantes. El aprendizaje por conjuntos es una técnica de IA que ayuda a abordar estos retos combinando múltiples modelos, conocidos como aprendices base, en un único sistema más potente.
Puede considerarlo como un equipo de expertos que trabajan juntos para resolver un problema. En este artículo, exploraremos qué es el aprendizaje ensemble, cómo funciona y dónde se puede utilizar. ¡Empecemos!
El aprendizaje ensamblado se refiere a un conjunto de técnicas que combinan múltiples modelos para resolver el mismo problema y producir un único resultado mejorado. Se puede aplicar tanto en el aprendizaje supervisado (donde los modelos aprenden de datos etiquetados) como en el aprendizaje no supervisado (donde los modelos encuentran patrones en datos no etiquetados).
En lugar de depender de un solo modelo para hacer predicciones, un ensamble utiliza varios modelos que observan los datos cada uno a su manera. Cuando se combinan sus salidas, el resultado suele ser más preciso, estable y generalizable que lo que cualquier modelo individual podría lograr por sí solo.
Puede compararlo con un panel de analistas que abordan el mismo problema. Cada analista o modelo individual interpreta los datos de forma diferente.
Uno puede centrarse en patrones, otro en anomalías y otro en el contexto. Al reunir sus perspectivas, el grupo puede tomar una decisión más equilibrada y fiable que cualquier juicio individual.
Este enfoque también ayuda a abordar dos de los mayores desafíos del aprendizaje automático: el sesgo y la varianza. Un modelo con un alto sesgo es demasiado simple y pasa por alto patrones importantes, mientras que uno con una alta varianza es demasiado sensible y se ajusta demasiado a los datos de entrenamiento. Al combinar modelos, el aprendizaje ensamblado encuentra un equilibrio entre los dos, mejorando el rendimiento del sistema con datos nuevos e invisibles.
Cada modelo en un conjunto se conoce como un alumno base o modelo base. Estos pueden ser del mismo tipo de algoritmo o una mezcla de diferentes algoritmos, dependiendo de la técnica de conjunto que se esté utilizando.
Estos son algunos ejemplos comunes de los diferentes modelos utilizados en el aprendizaje conjunto:
Un ensamblaje de modelos combinado se denomina generalmente "aprendiz fuerte" porque integra los puntos fuertes de los aprendices base (también denominados modelos débiles) al tiempo que minimiza sus puntos débiles. Lo hace combinando las predicciones de cada modelo de forma estructurada, utilizando la votación por mayoría para las tareas de clasificación o el promedio ponderado para las tareas de regresión, con el fin de producir un resultado final más preciso.
Antes de profundizar en varias técnicas de aprendizaje ensamblado, retrocedamos un poco y comprendamos cuándo se debe utilizar este tipo de enfoque en un proyecto de aprendizaje automático o IA.
El aprendizaje ensamblado es más impactante cuando un solo modelo tiene dificultades para hacer predicciones precisas o consistentes. También se puede utilizar en situaciones donde los datos son complejos, ruidosos o impredecibles.
Estos son algunos casos comunes en los que los métodos de conjunto son particularmente eficaces:
También es más sencillo de entrenar, más fácil de interpretar y más rápido de mantener. Antes de utilizar un ensamble, es importante sopesar el beneficio de una mayor precisión frente al tiempo adicional, la potencia de cálculo y la complejidad que requiere.
A continuación, veamos las principales formas en que el aprendizaje ensamblado puede aplicarse en proyectos de aprendizaje automático. Existen varias técnicas básicas que se utilizan para combinar modelos, cada una de las cuales mejora el rendimiento a su manera. Los métodos de ensamblaje más comunes son el bagging, el boosting, el stacking y el blending.
Bagging, abreviatura de bootstrap aggregating, es un método de aprendizaje ensemble que ayuda a mejorar la estabilidad y la precisión del modelo al entrenar múltiples versiones del mismo modelo en diferentes partes de los datos.
Cada subconjunto se crea utilizando un proceso llamado muestreo bootstrap, donde los puntos de datos se seleccionan aleatoriamente con reemplazo. Esto significa que después de elegir un punto de datos, se vuelve a colocar en el grupo antes de elegir el siguiente, por lo que el mismo punto puede aparecer más de una vez, mientras que otros pueden quedar fuera. Esta aleatoriedad asegura que cada modelo se entrene en una versión ligeramente diferente del conjunto de datos.
Durante la inferencia, todos los modelos entrenados se ejecutan en paralelo para realizar predicciones sobre datos nuevos y no vistos. Cada modelo produce su propia salida basada en lo que aprendió, y estas predicciones individuales se combinan para formar el resultado final.
Para tareas de regresión, como predecir los precios de las viviendas o las previsiones de ventas, esto generalmente significa promediar las salidas de todos los modelos para obtener una estimación más suave. Para tareas de clasificación, como identificar si una transacción es fraudulenta o no, el conjunto a menudo toma una votación mayoritaria para decidir la clase final.
Un buen ejemplo de dónde funciona bien el bagging es con los árboles de decisión, que pueden sobreajustarse fácilmente cuando se entrenan con un solo conjunto de datos. Al entrenar muchos árboles con muestras ligeramente diferentes y combinar sus resultados, el bagging reduce el sobreajuste y mejora la fiabilidad.
Consideremos el algoritmo de Bosque Aleatorio. Es un conjunto de árboles de decisión, donde cada árbol se entrena con un subconjunto aleatorio del conjunto de datos de entrenamiento, así como con un subconjunto aleatorio de características.
Esta aleatoriedad de la función ayuda a asegurar que los árboles estén menos correlacionados y que el modelo general sea más estable y preciso. Se puede utilizar un algoritmo de Random Forest para clasificar imágenes, detectar fraudes, predecir la pérdida de clientes, pronosticar ventas o estimar precios de propiedades.
El boosting es otra técnica de aprendizaje ensemble que se centra en mejorar los weak learners (modelos) entrenándolos secuencialmente, uno tras otro, en lugar de en paralelo. El concepto central del boosting es que cada nuevo modelo aprende de los errores de los anteriores, mejorando gradualmente el rendimiento general del modelo.
A diferencia del bagging, que reduce la varianza promediando modelos independientes, el boosting reduce el sesgo haciendo que cada nuevo modelo preste más atención a los casos difíciles con los que los modelos anteriores tuvieron problemas.
Dado que los modelos de boosting se entrenan secuencialmente, la forma en que se combinan sus predicciones al final difiere ligeramente de otros métodos de conjunto. Cada modelo contribuye a la predicción final en proporción a su rendimiento durante el entrenamiento, y los modelos más precisos reciben mayor peso.
Para las tareas de regresión, el resultado final suele ser una suma ponderada de todas las predicciones del modelo. Para las tareas de clasificación, el algoritmo combina los votos ponderados de los modelos para decidir la clase final. Este enfoque ayuda a que el boosting cree un modelo general sólido, dando más peso a los modelos que son más precisos, mientras que sigue aprendiendo de los demás.
Estos son algunos tipos comunes de algoritmos de boosting:
El apilamiento, también llamado generalización apilada, va un paso más allá al utilizar las predicciones de varios modelos como entrada para un modelo final conocido como meta-aprendiz. Se puede pensar en ello como tener un grupo de expertos que comparten su opinión, y luego un tomador de decisiones final aprende a ponderar esas opiniones para tomar la mejor decisión posible.
Por ejemplo, un modelo podría ser excelente para detectar fraudes, mientras que otro es mejor para predecir la pérdida de clientes. El meta-aprendedor estudia cómo se desempeña cada uno y utiliza sus fortalezas en conjunto para hacer una predicción final más precisa.
El blending funciona de forma similar al stacking, ya que también combina las predicciones de varios modelos para tomar una decisión final, pero adopta un enfoque más sencillo y rápido. En lugar de utilizar la validación cruzada (un método que divide los datos en varias partes y las rota entre el entrenamiento y las pruebas para que el modelo sea más fiable), como hace el stacking, el blending reserva una pequeña porción de los datos, llamada conjunto de retención (holdout set).
Los modelos base se entrenan con los datos restantes y luego hacen predicciones sobre el conjunto de retención, que no han visto antes. Esto produce dos piezas clave de información: las respuestas reales, o etiquetas verdaderas, y las predicciones hechas por cada modelo base.
Estas predicciones se pasan entonces a otro modelo llamado modelo de mezcla o meta modelo. Este modelo final estudia la precisión de las predicciones de cada modelo base y aprende a combinarlas de la mejor manera posible.
Dado que el blending se basa en una sola división de entrenamiento y prueba en lugar de repetir el proceso varias veces, se ejecuta más rápido y es más fácil de configurar. La contrapartida es que tiene un poco menos de información para aprender, lo que puede hacerlo un poco menos preciso.
Una parte importante del aprendizaje ensamblado es evaluar el rendimiento de un modelo con datos que no ha visto antes. No importa lo avanzada que sea una técnica, debe probarse para asegurar que puede generalizar, lo que significa que debe hacer predicciones precisas sobre ejemplos nuevos del mundo real en lugar de simplemente memorizar los datos de entrenamiento.
Estas son algunas métricas de rendimiento comunes que se utilizan para evaluar los modelos de IA:
Hasta ahora, hemos explorado cómo funciona el aprendizaje ensamblado y las técnicas que lo respaldan. Ahora veamos dónde está teniendo un impacto este enfoque.
Estas son algunas áreas clave donde se aplica comúnmente el aprendizaje ensamblado:
Si bien el aprendizaje ensamblado se utiliza más comúnmente con datos estructurados o tabulares, como hojas de cálculo que contienen información numérica o categórica, también se puede aplicar a datos no estructurados como texto, imágenes, audio y vídeo.
Estos tipos de datos son más complejos y difíciles de interpretar para los modelos, pero los métodos de conjunto ayudan a mejorar la precisión y la fiabilidad. Por ejemplo, en visión artificial, los conjuntos pueden mejorar tareas como la clasificación de imágenes y la detección de objetos.
Al combinar las predicciones de múltiples modelos de visión, como las redes neuronales convolucionales (CNN), el sistema puede reconocer objetos con mayor precisión y gestionar las variaciones de iluminación, ángulo o fondo que podrían confundir a un solo modelo.
Un ejemplo interesante del uso del aprendizaje ensamblado en la visión artificial es cuando un ingeniero combina múltiples modelos de detección de objetos para mejorar la precisión. Imagine un ingeniero que trabaja en un sistema de monitorización de seguridad para una obra de construcción, donde la iluminación, los ángulos y los tamaños de los objetos cambian constantemente.
Un solo modelo podría pasar por alto a un trabajador en las sombras o confundir maquinaria en movimiento. Al utilizar un conjunto de modelos, cada uno con diferentes puntos fuertes, el sistema se vuelve más fiable y menos propenso a cometer esos errores.
En particular, los modelos como Ultralytics YOLOv5 van de la mano con el ensamblaje de modelos. Los ingenieros pueden combinar diferentes variantes de YOLOv5, como YOLOv5x y YOLOv5l6, para realizar predicciones conjuntas. Cada modelo analiza la misma imagen y produce sus propias detecciones, que luego se promedian para generar un resultado final más sólido y preciso.
Estos son algunos de los beneficios clave de usar el aprendizaje ensamblado:
Si bien el aprendizaje ensamblado aporta varias ventajas, también hay algunos retos que hay que tener en cuenta. Aquí hay algunos factores a tener en cuenta:
El aprendizaje ensamblado muestra cómo la combinación de múltiples modelos puede hacer que los sistemas de IA sean más precisos y fiables. Ayuda a reducir los errores y a mejorar el rendimiento en diferentes tipos de tareas. A medida que el aprendizaje automático y la IA continúan creciendo, técnicas como esta están impulsando una adopción más amplia y soluciones de IA más prácticas y de alto rendimiento.
Únase a nuestra creciente comunidad y repositorio de GitHub para obtener más información sobre la Visión Artificial. Explore nuestras páginas de soluciones para obtener información sobre las aplicaciones de la visión artificial en la agricultura y la IA en la logística. Consulte nuestras opciones de licencia para comenzar hoy mismo con su propio modelo de visión artificial.
