Gradient Boosting
Encadena árboles de decisión donde cada uno nuevo se entrena específicamente para corregir los errores que cometieron los anteriores.
Por qué importa
A diferencia de Random Forest, aquí los árboles no votan de forma independiente: se construyen uno detrás de otro, y cada uno se centra en los días que el conjunto anterior predijo peor. Eso suele dar más precisión que promediar árboles independientes, a costa de ser más fácil de sobreajustar si se dejan crecer demasiadas rondas de corrección.
Constrúyelo tú mismo
Parte de una base fija del 50% y añade dos rondas de corrección — cada árbol real corrige un poco más, cientos de veces.
Ejemplo con solo dos rondas de corrección — el modelo real encadena cientos, cada una más pequeña que la anterior.
Números de ejemplo para practicar — no son datos reales.
Cómo funciona, paso a paso
- El primer árbol hace una predicción simple de partida — por ejemplo, la probabilidad media histórica de subida.
- Se calcula el error de esa predicción para cada día histórico: cuánto se equivocó y en qué dirección.
- Se entrena un segundo árbol, pero no para predecir el resultado original, sino para predecir ESE error — es decir, para aprender a corregirlo.
- La predicción combinada (la primera más la corrección) es mejor que la del primer árbol solo. Se repite el proceso cientos de veces, cada corrección un poco más pequeña que la anterior.