Stacking

Técnica de aprendizaje automático utilizada para mejorar el rendimiento de los modelos combinando las predicciones de varios algoritmos base.

Consiste en entrenar múltiples modelos individuales, también conocidos como modelos débiles o de primer nivel, que realizan predicciones sobre los datos.

Posteriormente, se utiliza un modelo meta o de segundo nivel que toma como entrada las predicciones de los modelos base y genera la predicción final.

El objetivo principal es aprovechar las fortalezas de diferentes algoritmos para reducir errores y obtener mayor robustez y precisión en las predicciones.

Es comúnmente aplicado en problemas de clasificación y regresión, y requiere cuidado en la validación cruzada para evitar problemas de sobreajuste.

Se encuentra relacionado con otras estrategias de ensemble learning, como bagging o boosting, pero se diferencia por su enfoque en la combinación jerárquica de modelos.