UD1 · Sesión 3 de 12
Árboles y modelos de conjunto
Modelos de Aprendizaje Automático · Flujo de ML y modelos supervisados · 15 h teóricas / 25 h prácticas
Por qué importa
El gradient boosting gana casi siempre en dato tabular, y casi siempre pierde en cuanto se le pide extrapolar fuera del rango observado.
Los modelos de conjunto sobre árboles son el estándar de facto en tabular: precios, riesgo, propensión, previsión de demanda a corto plazo. Su coste está en el mantenimiento, no en el ajuste: hiperparámetros mal entendidos, categóricas de alta cardinalidad y una inferencia que puede multiplicar por diez la del modelo lineal. Conviene conocer sus modos de fallo antes de comprometer una integración.
Al terminar esta sesión sabrás
- Comprender el funcionamiento de árboles, bosques y boosting.
- Ajustar gradient boosting con criterio.
- Reconocer sus modos de fallo.