En stacking, las predicciones de varios modelos base distintos (por ejemplo, una regresión logística, un random forest y una red neuronal) se usan como entrada para un modelo adicional, llamado meta-modelo, que aprende la mejor manera de combinar esas predicciones en un resultado final.
Por qué puede superar a un solo tipo de ensamble
Al combinar modelos de naturaleza distinta, cada uno con sus propias fortalezas y debilidades, stacking puede capturar patrones complementarios que ningún modelo individual detectaría por sí solo, aunque a costa de mayor complejidad y tiempo de entrenamiento.