Ensemble Methods in Supervised Learning: Review towards an application in a model for predictions about Ecology

Abstract

Advancements in Machine Learning techniques such as Ensemble Methods provide a powerful tool for quickly building accurate predictive models for sustainable decision making. These algorithms help to enhance predictions by combining the decisions of a set of models. Here, we use Stacking, Boosting and Bagging to asses countries footprint regarding ecological deficit or reserve using data collected by the Global Footprint Network. The comparison of those techniques in this context allows us to conclude that the first one provides the most accurate model (Accuracy> 0.97), although the others have the advantage of a lower cost and complexity, also providing remarkable predictions.

Los avances en las técnicas de Aprendizaje Automático, como los Métodos de Ensemble, proporcionan una herramienta poderosa para construir rápidamente modelos predictivos precisos para una toma de decisiones sostenible. Estos algoritmos ayudan a mejorar las predicciones al combinar las decisiones de un conjunto de modelos. Aquí, utilizamos las técnicas de Stacking, Boosting y Bagging para evaluar la huella de los países con respecto al déficit o reserva ecológica utilizando los datos recopilados por la Global Footprint Network. La comparación de esas técnicas en este contexto nos permite concluir que la primera proporciona el modelo más exacto (Precisión > 0.97), aunque las otras tienen la ventaja de un menor coste proporcionando también predicciones destacables.