• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Entendiendo la diferencia entre votación hard y votación soft en aprendizaje automático

Machine learning

febrero 2, 2024 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

La precisión y la robustez de los modelos es una de las características por la que los modelos de Aprendizaje Automático son tan útiles en una variedad de problemas. Una de las técnicas para mejorar estas características en los modelos es el Aprendizaje por Conjuntos (Ensemble Learning). En este tipo de aprendizaje se entrenan diferentes modelos y las predicciones se obtienen mediante la votación, dividiéndose en dos variantes principales: votación Hard y votación Soft. En esta entrada se analizarán las características que diferencian la votación hard y votación soft en aprendizaje automático.

Aprendizaje por conjuntos: Una estrategia para la mejora de los modelos predictivos

El aprendizaje por conjuntos de es una de las principales estrategias que se usan en aprendizaje automático para mejorar la capacidad predictiva de los modelos. Para ello, en lugar de entrenar un único modelo, se entrenan diferentes y se combinan sus predicciones mediante un sistema de votación. Complementando así unos modelos con otros. Generalmente la combinación de varios modelos produce un modelo mucho más preciso y resistente a la fuentes de variabilidad de los datos.

Para obtener la predicción del conjunto los sistemas de votación se dividen en dos grandes categorías: la votación hard y votación soft. En el primero cada uno de los modelos solamente realiza una predicción, mientras que el segundo también es necesario que indique la confianza asociada a esta predicción.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Votación Hard: La decisión de la mayoría

La votación Hard, también conocida como votación por mayoría, es una la estrategia más sencilla, pero aun así efectiva, para combinar las predicciones de los diferentes modelos. En este enfoque, cada uno de los modelos realiza su predicción y la clase que obtiene la mayoría de los votos en la seleccionada como predicción del modelo de ensemble. Siendo un método especialmente útil cuando la clasificación final se toma de forma categórica: una clase u otra.

Las principales características de votación Hard son:

  • Simplicidad y eficiencia: La votación Hard es fácil de implementar, ya que solamente es necesario contar las predicciones de cada clase.
  • Estabilidad y robustez ante outliers: Al depender de la mayoría, la votación Hard puede ser más robusta ante predicciones erróneas o los outliers de modelos individuales. Además, en los problemas de clasificación binaria, la votación Hard puede proporcionar una estabilidad adicional al evitar empates.
  • Interpretabilidad: La decisión basada en la mayoría es fácilmente interpretable y comprensible, lo que es crucial para sectores donde la transparencia e interpretabilidad de los modelos sea clave.

Votación Soft: La ponderación de probabilidades en las predicciones

Por otro lado, en la votación Soft, también conocida como votación por ponderación de probabilidades, se considera no solo la clase predicha por cada modelo, sino también la confianza asociada a esa predicción en términos de probabilidades. En lugar de contar votos, se promedian las probabilidades para cada clase. Así la predicción final del modelo será la clase con la probabilidad promedio más alta en lugar de la que más votos hubiese recibido.

Las principales características de votación Soft son:

  • Incorporación de incertidumbre: La votación Soft permite incorporar la incertidumbre que existe en los modelos al tener en cuenta las probabilidades asociadas a las predicciones.
  • Mayor sensibilidad y granularidad: Al utilizar información más detallada, la votación Soft puede ser más sensible a las sutilezas de los datos. Facilitando con ello una predicción más granular. Esto puede ser beneficioso en los problemas donde la confianza es crucial.
  • Mejores resultados en problemas de regresión: A diferencia de la votación Hard, la votación Soft se adapta naturalmente a problemas de regresión, ya que gestiona mejor la predicción de valores continuos de los modelos.

Selección del modelo de votación más adecuada

La elección entre votación hard y votación soft dependerá, como es habitual en aprendizaje automático, de la naturaleza del problema y la información que se tenga en cuenta sobre las predicciones. Algunos puntos que se deben tener en cuenta a la hora de realiza la elección del modelo son:

  • Naturaleza del problema: En problemas donde las decisiones son claras y binarias, la votación hard puede ser un modelo sencillo que puede ser suficiente y más fácil de implementar. Por otro lado, en casos más complejos donde se dispone de grados de certeza, la votación soft suele ofrecer mejores resultados.
  • Desempeño y naturaleza de los modelos: Si los modelos individuales tienen un rendimiento muy dispar, la votación soft puede ser más robusta, ya que tiene en cuenta la confianza de cada modelo. Además, hay familias de modelos que no ofrecen grados de certeza y por lo tanto no se pueden usar votaciones tipo soft.
  • Interpretabilidad: La votación hard es más fácil de interpretar, ya que las decisiones son simples. Algo que no es tan fácil en la votación soft.

Conclusiones

En esta entrada se han visto las diferencias entre votación hard y votación soft en los modelos de aprendizaje automático. Analizando las principales características de cada uno de ellos. Lo que permite comprender las diferencias esenciales entre cada una de estas estrategias de votación y las principales ventajas y casos de uso de cada uno de los enfoques.

Imagen de 윤재 손 en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

Publicidad

Publicado en: Ciencia de datos Etiquetado como: Machine learning

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Instalar Rocky Linux 9 en VirtualBox publicado el octubre 20, 2023 | en Herramientas
  • Error: No se puede cargar el archivo porque la ejecución de scripts está deshabilitada en este sistema Solución a los problemas de ejecución de scripts en Windows 11 cuando se da el mensaje: “No se puede cargar el archivo porque la ejecución de scripts está deshabilitada en este sistema” publicado el febrero 14, 2024 | en Herramientas
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto