Logo de IMMUNE

Métodos de bagging y de boosting: ¿Cuál es su diferencia?

10 December 2021

Apostar por una profesión del futuro es sinónimo de apostar por la tecnología. Y una de las apuestas más seguras (valga la redundancia) para los científicos es, sin duda, la Artificial Intelligence. Y dentro de ella, existe la rama del Machine Learning que ofrece multitud de salidas profesionales.

Machine Learning es una especialidad tecnológica que se encuentra a caballo entre la IA y Data Science y que busca el uso de datos y algoritmos para imitar el aprendizaje humano, mejorando su certeza. 

Estos algoritmos permiten predecir casi todo tipo de variables; por ello, podemos utilizar machine learning o el aprendizaje automático (en castellano) en sectores laborales de toda índole. 

El aprendizaje de estas máquinas o piezas de software es continuo. Poco a poco, adquieren más datos y, por tanto, se vuelven más inteligentes; pudiendo entender el comportamiento humano.

Algoritmos ensamblados en machine learning o aprendizaje automático

Los algoritmos ensamblados o ensambles son un tipo de algoritmo de machine learning que mejora la generalización, utilizando diferentes estrategias de combinación. 

En otras palabras: son la unión de varios algoritmos simples que forman uno más complejo y potente

Cabe destacar que, aunque existan diferentes tipos de algoritmos ensamblados como votación de la mayoría, bagging, boosting o stacking en machine learning, en este post solo queremos resaltar boosting y bagging. De ahí que, a continuación, te expliquemos con detalle los métodos de bagging y de boosting y su diferencia.

Bagging

En primer lugar, cabe señalar que tanto los métodos de bagging y de boosting sirven para reducir la varianza (o variabilidad de los datos, respecto a la media) en estadística del aprendizaje.

Dicho esto, bagging es una agregación Bootstrap (conjunto de herramientas de código abierto, empleadas en desarrollo web) que consigue la combinación de diversos modelos, a partir de una familia inicial; lo que disminuye la varianza y evita un sobreajuste. Es decir, que cuando utilizamos bagging estamos empleando diferentes modelos de machine learning.

Esta metodología hace que los errores predictivos se compensen, ya que cada modelo se entrena con subconjuntos -los cuales eligen muestras con repetición, de forma aleatoria- del conjunto global del entrenamiento. 

El método de bagging es muy utilizado con los llamados árboles de decisión. ¿Sabes en qué consisten?

Definición de Random Forest o Bosques Aleatorios

Antes de nada, los árboles de decisión son esos modelos de predicción formados por reglas binarias. Es decir: sí o no. 

Estos árboles de decisión forman los llamados modelos Random Forest Bootstrap o bosques aleatorios, combinados con bagging. De hecho, sus muestras son algo diferentes y la predicción se realiza de una nueva observación, que se ha añadido previamente a los árboles individuales de cada modelo.

Estos bosques aleatorios son muy empleados en bagging, debido a su rendimiento y rapidez. 

Boosting

Por su parte, a diferencia del bagging (que destaca por su rapidez), el método boosting es una metodología general de aprendizaje lento. En este método se combinan una gran variedad de modelos que se obtienen de un método con poca predicción, con el objeto de dar lugar a un mejor predictor.

De esta forma, aquí se emplean árboles de decisión construidos con poca profundidad, árboles pequeños y muy combinables. 

Así mismo, en boosting lo que se hace es intentar arreglar los errores de predicción de los modelos anteriores. Árboles secuenciados que buscan mejorar la clasificación anterior.

Un modelo aditivo, en el que se dan más importancia a las muestras mal clasificadas que a las que se encuentran bien en la clasificación.

Dedícate al machine learning con IMMUNE

En el instituto tecnológico de IMMUNE tenemos diferentes formaciones complementarias para que ya no vuelvas a preguntar sobre los “métodos de bagging y de boosting: ¿Cuál es su diferencia?”. En IMMUNE vas a poder convertirte en todo un experto en machine learning.

Para empezar, contamos con el Grado en Ingeniería de Desarrollo de Software, así como con nuestro Master en Data Science, con el que te podrás convertir en un data scientist. Asimismo, si lo prefieres por tiempo, tenemos este Bootcamp sobre Data Analytics o este otro sobre Voice Tech. ¡Bienvenido a la formación del presente y futuro!  

Marta López

Compartir:
Programas relacionados:

Máster Executive en Data Science

Ver programa

Online Master’s in Data Science

Ver programa

Data Analytics Bootcamp

Ver programa
Últimos posts:
27 June 2024

Experiencia Alumnos Grado en Ingeniería de Desarrollo de Software

Lee el artículo
19 June 2024

Testimonio Alumno Maestría en Ciberseguridad Online

Lee el artículo
18 June 2024

Recuperación de archivos para noobs: FTK Imager

Lee el artículo

Paseo de la Castellana 89, 28046 Madrid

hello@immune.institute
© IMMUNE Technology Institute. All rights reserved.
Programs
Students
Awards and recognitionspremio educacion en tecnologia e innovacionpremio educacion en tecnologia e innovacionlogo memberlogo premios excelencia educativalogo european excellence education
Logo GIMI instituteInnovation Catalyst
logo european excellence educationAcademic Partnerslogo asottechInternational partnerslogo sica
cross