09 · Árboles y ensembles
Módulo 09 · Material complementario

Videos para mirar, discutir y experimentar

Catorce recursos externos para acompañar las presentaciones y los laboratorios, con una ruta de aprendizaje sobre Random Forest y ensembles: nueve videos centrales, tres puentes conceptuales, una ampliación avanzada y una introducción en español.

Cómo usar los fragmentos
Los horarios son sugerencias de proyección aportadas por el docente; no representan capítulos oficiales ni una comprobación del contenido segundo a segundo. Los enlaces de YouTube comienzan en el tiempo indicado: pausa al llegar al final sugerido. El visor de esta página solicita inicio y fin del fragmento; si YouTube limita la reproducción, usa el enlace directo. Para los videos en inglés, activa subtítulos y traducción automática al español si están disponibles.
Recorrido temático

Ruta de aprendizaje: de Random Forest a XGBoost

Usa el PPT 02 como presentación central y las diapositivas 3–13 del PPT 03 para el cierre sobre Boosting/XGBoost. Selecciona videos según el tiempo disponible y alterna explicación con práctica.

  1. Bootstrap y OOBPPT 02: 6–7 · SIM 07. Observaciones repetidas y probabilidad de quedar fuera de una muestra.
  2. Bagging y Random ForestPPT 02: 8–18 · SIM 08–11. Agregación, variables candidatas en cada split y correlación entre árboles.
  3. MDI e importancia de variablesPPT 02: 21–23 · SIM 12. Qué mide la reducción de impureza y cómo interpretar sus límites.
  4. Permutation importance con códigoPPT 02: 22–23 · SIM 12–13. Evaluación fuera de muestra y redundancia entre predictores.
  5. Gradient Boosting: de regresión a clasificaciónPPT 03: 3–10 · SIM 15. Completa con el video de clasificación para distinguir residuos y gradientes.
  6. XGBoost y cierre de decisiónPPT 03: 12–13 · SIM 16. Regularización y comparación de decisiones; los simuladores 15 y 16 no implementan XGBoost.

Ruta central para una clase

Unos 32 minutos de video, más pausas para preguntas y práctica. Selecciona los tramos que encajen con el tiempo disponible.

  1. Árboles y Gini0:18–9:15 · Después: simuladores 01–03.
  2. Profundidad y poda0:59–7:50 · Después: simuladores 04–05. Segundo tramo opcional para validación.
  3. Bagging y Random Forest1:17–6:03 · Después: simuladores 07–11; completa OOB con el laboratorio.
  4. Gradient Boosting2:58–14:28 · Después: simulador 15 y discusión con Decision Lab 16.

Sesgo–varianza ayuda a conectar inestabilidad y ensembles. Árboles de regresión prepara poda y boosting. AdaBoost sirve de comparación; XGBoost complementa la ruta de aprendizaje de ensembles.

Fuentes y alcance

Los once videos de StatQuest están vinculados en el índice oficial de Josh Starmer. Dos videos pertenecen a Sebastian Raschka y uno a DataScience ForBusiness. Los nueve recursos originales se verificaron el 30 de septiembre de 2026; los títulos y autores de las cinco incorporaciones se comprobaron mediante metadatos públicos de YouTube el 6 de octubre de 2026. La pertinencia y la secuencia son una propuesta docente basada en los temas de los videos y el contenido del módulo.

Para contrastar los matices técnicos: poda costo-complejidad y bagging, Random Forest y boosting en la documentación oficial de scikit-learn.

Los videos pertenecen a sus respectivos creadores y se reproducen en YouTube. Esta selección cubre fundamentos e importancia de variables. Para profundizar variables correlacionadas, PDP/ICE y decisiones de negocio, continúa con los recursos y simuladores 12–16.