Ensemble Deep Learning: fundamentos, estrategias y aplicaciones multisectoriales
1. Introducción El aprendizaje por conjuntos ( ensemble learning ) parte de una premisa bien conocida: un comité de modelos suele generalizar mejor que un modelo aislado, pues reduce simultáneamente el sesgo y la varianza inherentes a cada estimador. Cuando esta filosofía se aplica a redes neuronales profundas hablamos de Ensemble Deep Learning (EDL). La revisión de Mohammed y Kora (2023) sintetiza de forma exhaustiva los avances metodológicos, las motivaciones y los retos de este paradigma, que ya constituye un pilar de la inteligencia artificial robusta en entornos industriales y científicos. 2. Concepto y motivación Supóngase un conjunto formado por M M predictores profundos { f 1 , … , f M } \{f_1,\dots,f_M\} . La predicción agregada se obtiene mediante una función de combinación G G , de modo que y ^ = G ( f 1 ( x ) , … , f M ( x ) ) \hat{y}=G(f_1(x),\dots,f_M(x)) . El beneficio procede de la diversidad : siempre que los errores de cada red no estén perfectamente correlacion...