Waarom is dit belangrijk?
Door de uitkomsten van aparte modellen bij elkaar te leggen, weegt één foute inschatting minder zwaar in het eindresultaat. In de zorg zetten onderzoekers ensemblemethoden in bij medische diagnoses, bijvoorbeeld om hersentumoren op scans te markeren. Voor patiënten en zorgverleners telt een uitkomst die minder op één fout rust, al vraagt de berekening meer rekenkracht dan bij één model en kan het geheel soms te sterk op de trainingsgegevens passen.
Zo werkt het in de praktijk
Beleggingsteams gebruiken ensemblemethoden voor rendementsverwachtingen, volatiliteit en kredietrisico. Het CFA Institute beschrijft hoe zo’n combinatie meerdere modellen samenvoegt. In de mediasector voegden de beste teams van de Netflix-prijsvraag voorspellingen samen via blending, een vorm van stapelen.
Onderzoekers bekijken welke combinatie werkt bij ruis en wisselende markten. Gu, Kelly en Xiu vergeleken ensembles van leeralgoritmen met klassieke modellen voor aandelen. Het CFA Institute noemt daarbij ook optieprijzen en macro-economische stress.
Teams bouwen ensemblemethoden met bagging, boosting en stacking. Bij bagging past een team hetzelfde model toe op verschillende steekproeven en middelt de uitkomsten. Boosting traint elk volgend model op eerdere fouten, en stacking laat een extra model de deeluitkomsten wegen.




