Resumen del trabajo fin de master

En el marco del aprendizaje automático, existe un amplio abanico de técnicas estadísticas para resolver problemas tanto de regresión como de clasificación. En todas estas se busca, a partir de un conjunto de datos, crear un modelo matemático que sea capaz de predecir la variable respuesta deseada, a partir de las variables predictoras de las que disponemos. En este contexto, se denomina ensamblado estadístico al hecho de combinar varios de estos modelos (de igual o distinta naturaleza) a la hora de realizar predicciones, en vez de utilizar uno solo. En este trabajo se hará una revisión teórico-práctica de estas técnicas, comentando sus distintos subtipos (destacando stacking, bagging y boosting), sus ventajas e inconvenientes frente a la utilización de un único modelo, y acompañándolo también de código (R y/o Python) con casos de uso de las mismas.