Ensamble

El aprendizaje conjunto es una estrategia sólida en aprendizaje automático (ML) en la que se combinan múltiples modelos independientes, a menudo denominados «aprendices débiles», para producir un único resultado predictivo . La premisa fundamental es que un grupo de modelos a menudo puede lograr una mayor precisión y una mejor generalización que cualquier modelo individual que actúe por sí solo. Al agregar las predicciones de diversos algoritmos, los métodos de conjunto reducen eficazmente el riesgo de sobreajuste a los datos de entrenamiento, suavizan los errores aleatorios y mejoran la estabilidad general del sistema. Este enfoque es análogo a consultar a un panel de expertos en lugar de basarse en la opinión de una sola persona para tomar una decisión crítica.

Mecanismos de aprendizaje conjunto

La eficacia de los métodos de conjunto radica en su capacidad para manipular la compensación entre sesgo y varianza. Los modelos individuales pueden sufrir una alta varianza (sensibilidad al ruido) o un alto sesgo (simplificación excesiva). El conjunto mitiga estos problemas mediante técnicas específicas:

• Bagging (agregación bootstrap): Esta técnica consiste en entrenar múltiples instancias del mismo algoritmo en diferentes subconjuntos del conjunto de datos. El ejemplo más famoso es el algoritmo Random Forest, que agrega las decisiones de muchos árboles de decisión para reducir la varianza.
• Boosting: A diferencia del bagging, el boosting entrena los modelos de forma secuencial. Cada nuevo modelo se centra en corregir los errores cometidos por los anteriores. Marcos populares como LightGBM y CatBoost utilizan esto para crear sistemas predictivos de alta precisión .
• Apilamiento (generalización apilada): Esto implica entrenar un nuevo «metamodelo» para combinar las predicciones de varios modelos base heterogéneos (por ejemplo, una red neuronal y una máquina de vectores de soporte).

Ensamblaje en visión artificial

En el campo de la visión por computadora (CV), los conjuntos se utilizan con frecuencia para maximizar el rendimiento en competiciones y aplicaciones críticas de seguridad. Para la detección de objetos, esto a menudo implica ejecutar múltiples modelos, como diferentes versiones de YOLO26, en la misma imagen. Los rectángulos delimitadores resultantes se fusionan utilizando técnicas como la supresión no máxima (NMS) o la fusión ponderada de rectángulos (WBF) para obtener las ubicaciones más probables de los objetos.

Aplicaciones en el mundo real

Los métodos de conjunto son omnipresentes en industrias donde la fiabilidad predictiva es primordial.

1. Diagnósticodetect e imágenes: En el ámbito sanitario, es fundamental evitar los falsos negativos. Un conjunto puede combinar una red neuronal convolucional (CNN) entrenada con rayos X con un transformador de visión (ViT) para detectar anomalías. El consenso entre los modelos proporciona una puntuación de confianza más alta, lo que ayuda a los radiólogos a detectartumores o diagnosticar enfermedades raras.
2. Detección de fraudesdetect : Las instituciones financieras utilizan conjuntos para analizar patrones de transacciones. Al combinar modelos de regresión logística con máquinas de refuerzo de gradiente, el sistema puede detectar indicadores sutiles de fraude que un solo modelo podría pasar por alto, al tiempo que mantiene bajas las tasas de falsas alarmas.

Implementación del ensamblaje de modelos con Python

Puede simular un conjunto de inferencias básico cargando varios modelos entrenados y generando predicciones para la misma entrada. La Ultralytics le permite entrenar estas variantes fácilmente. El siguiente ejemplo muestra cómo cargar dos diferentes Ultralytics YOLO (YOLO26n y YOLO26s) para verificar las detecciones en una imagen.

from ultralytics import YOLO

# Load two distinct YOLO26 model variants
# 'n' (nano) is faster, 's' (small) is more accurate
model_nano = YOLO("yolo26n.pt")
model_small = YOLO("yolo26s.pt")

# Define the image source
source = "https://ultralytics.com/images/bus.jpg"

# Run inference with both models
results_n = model_nano(source)
results_s = model_small(source)

# Compare the number of objects detected by each model
print(f"Nano Model Found: {len(results_n[0].boxes)} objects")
print(f"Small Model Found: {len(results_s[0].boxes)} objects")

Ensemble frente a aumento de datos

Es importante distinguir el aprendizaje conjunto del aumento de datos.

• Ensemble se centra en la fase de arquitectura y predicción, combinando múltiples modelos distintos entrenados para mejorar los resultados.
• El aumento de datos se centra en la fase de datos de entrenamiento, aumentando artificialmente la diversidad del conjunto de datos (por ejemplo, mediante rotación o volteo) para entrenar un único modelo más robusto.

Mientras que el aumento de datos ayuda a un único modelo a aprender mejor, el aprendizaje conjunto ayuda a varios modelos a verificar los resultados de los demás . Ambas estrategias se suelen utilizar juntas para lograr resultados de vanguardia en tareas como la segmentación de instancias y la estimación de poses.