¿Qué modelos minimizan el sesgo y cuáles la varianza, comparando el boosting y el bagging?

Bagging y boosting son métodos de ensamblaje que afectan de manera diferente al sesgo (bias) y a la varianza (variance) del modelo.

• Bagging (por ejemplo, bosque aleatorio) reduce principalmente la varianza. Construye múltiples modelos en diferentes subconjuntos de datos con reemplazo y promedia sus predicciones, lo que reduce el sobreajuste y la dispersión, pero no afecta mucho al sesgo.

• Boosting (por ejemplo, AdaBoost, Gradient Boosting) está dirigido a reducir el sesgo. Entrena modelos secuencialmente, cada uno corrigiendo los errores de los anteriores, lo que permite crear modelos más complejos y reducir el error sistemático, pero puede aumentar la varianza si se exagera.

En resumen:

Método	Minimiza bias	Minimiza varianza
Bagging	Moderadamente	Sí
Boosting	Sí	Puede aumentar