Un ensamble combina las predicciones de múltiples modelos —ya sea del mismo tipo entrenados de forma distinta, o de tipos completamente diferentes— bajo la idea de que combinar varias perspectivas imperfectas suele producir un resultado más confiable que depender de un único modelo.
Sus tres grandes familias
Bagging entrena modelos en paralelo sobre distintas muestras de los datos y promedia sus resultados; boosting los entrena secuencialmente, corrigiendo errores previos; y stacking combina modelos de distinta naturaleza usando un modelo adicional que aprende la mejor forma de combinarlos.