La construcción de un modelo de conjunto es un proceso de combinar muchos aprendices predictivos base diversos. Surgieron preguntas sobre cómo ponderar cada modelo y cómo ajustar los parámetros del proceso de ponderación. El enfoque más directo es simplemente promediar los modelos base. Sin embargo, numerosos estudios han demostrado que un conjunto ponderado puede proporcionar resultados de predicción superiores a un simple promedio de modelos. Los principales objetivos de este artículo son proponer un nuevo algoritmo de ponderación aplicable para cada árbol en el modelo de Bosque Aleatorio y el examen exhaustivo de la sintonización óptima de parámetros. Importante, el enfoque está motivado por su flexibilidad, buen rendimiento, estabilidad y resistencia al sobreajuste. El esquema propuesto se examina y evalúa en el conjunto de datos del Physionet/Computing in Cardiology Challenge 2015. Consiste en señales (electrocardiogramas y formas de onda pulsatoria) de pacientes de cuidados intensivos que activaron una alarma por cinco tipos de arritmias cardíacas (Asistolia, Bradicardia, Taquicardia, Taquicardia Ventricular y Fibrilación/Aleteo Ventricular). El problema de clasificación se refiere a si la alarma debería haber sido generada o no. Se demostró que el enfoque de ponderación propuesto mejoró la precisión de la clasificación para las tres arritmias más desafiantes de las cinco investigadas en comparación con el modelo estándar de Bosque Aleatorio.