Un modelo comete errores. Cien modelos que se equivocan de diferentes maneras cometen juntos muchos menos errores. Esa es la idea del conjunto: combinar muchos modelos débiles en uno fuerte. Random Forest, XGBoost, LightGBM, CatBoost: todos los ganadores de Kaggle en datos tabulares en los últimos años utilizan métodos de conjunto. Este capítulo explica cómo funcionan dos enfoques fundamentales: embolsado (árboles paralelos) y refuerzo (árboles secuenciales), y cómo ajustar los hiperparámetros con validación cruzada.