El Modelo de Bisagras Lineales (LHM) es un enfoque eficiente para el ajuste de curvas unidimensionales flexibles y robustas bajo condiciones estrictas de alto ruido. Sin embargo, fue diseñado inicialmente para ejecutarse en un procesador de un solo núcleo, accediendo a todo el conjunto de datos de entrada. El aumento en los volúmenes de datos, junto con el incremento en las arquitecturas de hardware paralelo y los marcos especializados, ha llevado a un crecimiento en el interés y la necesidad de nuevos algoritmos capaces de manejar conjuntos de datos a gran escala y técnicas para adaptar algoritmos tradicionales de aprendizaje automático a este nuevo paradigma. Este documento presenta varias alternativas de conjunto, basadas en la selección y combinación de modelos, que permiten obtener un modelo de regresión lineal a trozos continuos a partir de conjuntos de datos a gran escala utilizando el algoritmo de aprendizaje del LHM. Nuestros tests empíricos han demostrado que la combinación de modelos supera a la selección de modelos y que estos métodos pueden proporcionar mejores resultados en términos de sesgo, varianza y tiempo de ejecución que el algoritmo original ejecutado sobre todo el conjunto de datos.