Una comparación de modelos es más fácil de interpretar cuando la única diferencia buscada es el estimador. Estas tareas proporcionan objetos de entrenamiento y prueba fijos y te piden ajustar un árbol o un conjunto concreto. Los registros ficticios cambian de una tarea a otra, así que traslada el flujo de trabajo en lugar de copiar predicciones anteriores.
Los árboles de clasificación y de regresión comparten la idea de dividir, pero producen salidas de tipo distinto. Los bosques promedian árboles aleatorizados; el boosting construye una secuencia aditiva. Respeta la familia de estimadores, el tamaño, la profundidad y la semilla que pide cada enunciado. Esos ajustes hacen que la comparación sea repetible y que el ajuste responda con rapidez en el cuaderno. Los errores preparados a propósito incluyen ajustar con filas reservadas y sustituir el modelo por un estimador ficticio. Los dos pueden devolver matrices con la forma correcta mientras responden al experimento equivocado.
El estimador ajustado aprende de la partición de entrenamiento. Predecir las entradas reservadas da una salida por cada observación de prueba, lista para evaluarla.