{"id":20701,"date":"2024-02-16T05:09:08","date_gmt":"2024-02-16T04:09:08","guid":{"rendered":"https:\/\/complex-systems-ai.com\/?page_id=20701"},"modified":"2024-02-16T05:28:55","modified_gmt":"2024-02-16T04:28:55","slug":"arbre-de-decision","status":"publish","type":"page","link":"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/arbol-de-decision\/","title":{"rendered":"Tutorial del \u00e1rbol de decisi\u00f3n"},"content":{"rendered":"<div data-elementor-type=\"wp-page\" data-elementor-id=\"20701\" class=\"elementor elementor-20701\">\n\t\t\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-5f00bf2 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"5f00bf2\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-cb16b87\" data-id=\"cb16b87\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-9b376d2 elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"9b376d2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">An\u00e1lisis de datos<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-9598e7a\" data-id=\"9598e7a\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-749c66b elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"749c66b\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/complex-systems-ai.com\/es\/\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Pagina de inicio<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t<div class=\"elementor-column elementor-col-33 elementor-top-column elementor-element elementor-element-6f01196\" data-id=\"6f01196\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-5a73d50 elementor-align-justify elementor-widget elementor-widget-button\" data-id=\"5a73d50\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"button.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<div class=\"elementor-button-wrapper\">\n\t\t\t\t\t<a class=\"elementor-button elementor-button-link elementor-size-sm\" href=\"https:\/\/fr.wikipedia.org\/wiki\/Arbre_de_d%C3%A9cision\" target=\"_blank\" rel=\"noopener\">\n\t\t\t\t\t\t<span class=\"elementor-button-content-wrapper\">\n\t\t\t\t\t\t\t\t\t<span class=\"elementor-button-text\">Wiki<\/span>\n\t\t\t\t\t<\/span>\n\t\t\t\t\t<\/a>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-c977b54 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"c977b54\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-6121993\" data-id=\"6121993\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-360ae26 elementor-widget elementor-widget-heading\" data-id=\"360ae26\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_82_2 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Contenido<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Tabla de contenido alternativo\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Palanca<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/arbol-de-decision\/#Arbre-de-decision-pour-lanalyse-des-donnees\" >\u00c1rbol de decisi\u00f3n para an\u00e1lisis de datos.<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/arbol-de-decision\/#Algoritmes-usuels\" >Algoritmos comunes<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/arbol-de-decision\/#Terminologie\" >Terminolog\u00eda<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/arbol-de-decision\/#Fonctionnement-general\" >Operaci\u00f3n general<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/arbol-de-decision\/#Fractionnement-splitting\" >Fraccionamiento \/ divisi\u00f3n<\/a><\/li><\/ul><\/nav><\/div>\n<h2 class=\"elementor-heading-title elementor-size-default\"><span class=\"ez-toc-section\" id=\"Arbre-de-decision-pour-lanalyse-des-donnees\"><\/span>\u00c1rbol de decisi\u00f3n para an\u00e1lisis de datos.<span class=\"ez-toc-section-end\"><\/span><\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-13766f1 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"13766f1\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-9d787e4\" data-id=\"9d787e4\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-3c1222f elementor-widget elementor-widget-text-editor\" data-id=\"3c1222f\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>a <a href=\"https:\/\/complex-systems-ai.com\/es\/teoria-de-grafos\/arboles-y-arboles\/\">\u00e1rbol<\/a> El procesamiento de decisiones es un enfoque de aprendizaje supervisado no param\u00e9trico y se puede aplicar tanto a problemas de regresi\u00f3n como de clasificaci\u00f3n. Siguiendo la analog\u00eda del \u00e1rbol, los \u00e1rboles de decisi\u00f3n implementan un proceso de decisi\u00f3n secuencial. Desde el nodo ra\u00edz, se eval\u00faa una caracter\u00edstica y se selecciona uno de los dos nodos (ramas).\u00a0<\/p><p>Cada nodo del \u00e1rbol es esencialmente una regla de decisi\u00f3n. Este procedimiento se repite hasta llegar a una hoja final, que normalmente representa el objetivo. Los \u00e1rboles de decisi\u00f3n tambi\u00e9n son modelos atractivos si a uno le importa la interpretabilidad.<\/p><p><img decoding=\"async\" class=\"aligncenter wp-image-11096 size-full\" src=\"http:\/\/complex-systems-ai.com\/wp-content\/uploads\/2020\/09\/cropped-Capture.png\" alt=\"\u00e1rbol de decisi\u00f3n\" width=\"97\" height=\"97\" title=\"\"><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-9eac338 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"9eac338\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-57ff36d\" data-id=\"57ff36d\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-3a72527 elementor-widget elementor-widget-heading\" data-id=\"3a72527\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\"><span class=\"ez-toc-section\" id=\"Algoritmes-usuels\"><\/span>Algoritmos comunes<span class=\"ez-toc-section-end\"><\/span><\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-a3fd587 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"a3fd587\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-9255132\" data-id=\"9255132\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-f72862c elementor-widget elementor-widget-text-editor\" data-id=\"f72862c\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>Existen algoritmos para crear \u00e1rboles de decisi\u00f3n:<\/p><ul><li>ID3 (Dicotomizador iterativo 3) fue desarrollado en 1986 por Ross Quinlan. El algoritmo crea un \u00e1rbol multidireccional, encontrando para cada nodo (es decir, con avidez) la caracter\u00edstica categ\u00f3rica que producir\u00e1 la mayor ganancia de informaci\u00f3n para los objetivos categ\u00f3ricos. Los \u00e1rboles crecen hasta su tama\u00f1o m\u00e1ximo, luego generalmente se aplica un paso de poda para mejorar la capacidad del \u00e1rbol para generalizar a datos invisibles.<\/li><li>C4.5 fue desarrollado en 1993 por Ross Quinlan, es el sucesor de ID3 y elimin\u00f3 la restricci\u00f3n de que las caracter\u00edsticas deben ser categ\u00f3ricas al definir din\u00e1micamente un atributo discreto (basado en variables num\u00e9ricas) que divide el valor del atributo continuo en un conjunto discreto de intervalos. C4.5 convierte los \u00e1rboles entrenados (es decir, la salida del algoritmo ID3) en conjuntos de reglas si-entonces. Luego se eval\u00faa la exactitud de cada regla para determinar el orden en el que deben aplicarse. La poda se realiza eliminando la condici\u00f3n previa de una regla si la precisi\u00f3n de la regla mejora sin ella.<\/li><li>C5.0 es la \u00faltima versi\u00f3n con licencia patentada de Quinlan. Utiliza menos memoria y crea conjuntos de reglas m\u00e1s peque\u00f1os que C4.5 y, al mismo tiempo, es m\u00e1s preciso.<\/li><li>CART (\u00e1rboles de clasificaci\u00f3n y regresi\u00f3n) es muy similar a C4.5, pero se diferencia en que admite variables objetivo num\u00e9ricas (regresi\u00f3n) y no calcula conjuntos de reglas. CART construye \u00e1rboles binarios utilizando la caracter\u00edstica y el umbral que generan la mayor ganancia de informaci\u00f3n en cada nodo.<\/li><\/ul><p>scikit-learn utiliza una versi\u00f3n optimizada del algoritmo CART<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-64c14ce elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"64c14ce\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-896b121\" data-id=\"896b121\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-d48962d elementor-widget elementor-widget-heading\" data-id=\"d48962d\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\"><span class=\"ez-toc-section\" id=\"Terminologie\"><\/span>Terminolog\u00eda<span class=\"ez-toc-section-end\"><\/span><\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-6fbd430 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"6fbd430\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-d157590\" data-id=\"d157590\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-7a767aa elementor-widget elementor-widget-text-editor\" data-id=\"7a767aa\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>De acuerdo con la analog\u00eda del \u00e1rbol, la terminolog\u00eda se adopt\u00f3 de la terminolog\u00eda del \u00e1rbol.<\/p><p><img fetchpriority=\"high\" decoding=\"async\" class=\"alignnone wp-image-20703 size-full\" src=\"http:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre1.webp\" alt=\"\u00e1rbol de decisi\u00f3n\" width=\"720\" height=\"373\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre1.webp 720w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre1-300x155.webp 300w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre1-18x9.webp 18w\" sizes=\"(max-width: 720px) 100vw, 720px\" \/><\/p><ul><li>Nodo ra\u00edz: es el primer nodo de los \u00e1rboles de decisi\u00f3n.<\/li><li>Divisi\u00f3n: es un proceso de dividir el nodo en dos o m\u00e1s subnodos, comenzando con el nodo ra\u00edz.<\/li><li>Nodo: divida los resultados del nodo ra\u00edz en subnodos y divida los subnodos en otros subnodos.<\/li><li>Nodo hoja o terminal: final de un nodo, ya que el nodo ya no se puede dividir<\/li><li>Poda: es una t\u00e9cnica para reducir el tama\u00f1o del \u00e1rbol de decisi\u00f3n eliminando subnodos del \u00e1rbol de decisi\u00f3n. El objetivo es reducir la complejidad para mejorar la precisi\u00f3n predictiva y evitar el sobreajuste.<\/li><li>Rama\/Sub\u00e1rbol: una subsecci\u00f3n de todo el \u00e1rbol se denomina rama o sub\u00e1rbol.<\/li><li>Nodo padre e hijo: un nodo dividido en subnodos se denomina nodo padre de los subnodos, mientras que los subnodos son hijos del nodo padre.<\/li><\/ul>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-0dd341f elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"0dd341f\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-36227bc\" data-id=\"36227bc\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-670c0d2 elementor-widget elementor-widget-heading\" data-id=\"670c0d2\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\"><span class=\"ez-toc-section\" id=\"Fonctionnement-general\"><\/span>Operaci\u00f3n general<span class=\"ez-toc-section-end\"><\/span><\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-3fe4fd6 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"3fe4fd6\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-85bc54a\" data-id=\"85bc54a\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-02f835f elementor-widget elementor-widget-text-editor\" data-id=\"02f835f\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>Considere el siguiente ejemplo donde un \u00e1rbol de decisiones predice el salario de un jugador de b\u00e9isbol:<\/p><p><img decoding=\"async\" class=\"alignnone wp-image-20705 size-full\" src=\"http:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre2.webp\" alt=\"\u00e1rbol de decisi\u00f3n\" width=\"320\" height=\"331\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre2.webp 320w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre2-290x300.webp 290w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre2-12x12.webp 12w\" sizes=\"(max-width: 320px) 100vw, 320px\" \/><\/p><p>Usamos el conjunto de datos Hitters para predecir el salario de un jugador de b\u00e9isbol (salario promedio) en funci\u00f3n de los a\u00f1os (el n\u00famero de a\u00f1os que jug\u00f3 en las ligas mayores) y los hits (el n\u00famero de hits que tuvo el a\u00f1o anterior).<\/p><p>Seg\u00fan las caracter\u00edsticas, el modelo de \u00e1rbol de decisi\u00f3n aprende una serie de reglas de divisi\u00f3n, comenzando desde la parte superior del \u00e1rbol (nodo ra\u00edz).<\/p><ul><li>El nodo ra\u00edz se divide en subnodos con una regla de observaci\u00f3n que tiene a\u00f1os &lt;4,5 hacia la rama izquierda, lo que significa que los jugadores en el conjunto de datos con a\u00f1os &lt;4,5 tienen un salario promedio logar\u00edtmico de 5,107 y hacemos una predicci\u00f3n de 5,107 mil d\u00f3lares, es decir, 165,174. $ para estos jugadores.<\/li><li>Los jugadores con a\u00f1os &gt;=4.5 son asignados a la rama derecha, luego este grupo se subdivide en hits &lt;177.5 con una p\u00e9rdida salarial promedio de 6.<\/li><li>Los jugadores con a\u00f1os &gt;= 4.5 son asignados a la rama derecha, luego este grupo se subdivide en Hits &gt;= 177.5 con una p\u00e9rdida salarial promedio de 6.74.<\/li><\/ul><p>En este caso, podemos ver que el \u00e1rbol de decisi\u00f3n forma un segmento de tres regiones donde esta regi\u00f3n determina los salarios de los jugadores de b\u00e9isbol y podemos decir que la regi\u00f3n es un l\u00edmite de decisi\u00f3n.<\/p><p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-20706 size-full\" src=\"http:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre3.webp\" alt=\"\u00e1rbol de decisi\u00f3n\" width=\"720\" height=\"474\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre3.webp 720w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre3-300x198.webp 300w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre3-18x12.webp 18w\" sizes=\"(max-width: 720px) 100vw, 720px\" \/><\/p><p>Estas tres regiones se pueden escribir<\/p><ul><li>R1 ={X | A\u00f1os&lt;4.5 }<\/li><li>R2 ={X| A\u00f1os&gt;=4.5, Visitas&lt;117.5 }<\/li><li>R3 ={X | A\u00f1os&gt;=4,5, Clics&gt;=117,5}.<\/li><\/ul><p>A partir de esta intuici\u00f3n, se produce un proceso de divisi\u00f3n de un \u00e1rbol de decisi\u00f3n para formar una regi\u00f3n capaz de predecir el salario de los jugadores de b\u00e9isbol.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-5923524 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"5923524\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-eb6fe21\" data-id=\"eb6fe21\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-ab03d9d elementor-widget elementor-widget-heading\" data-id=\"ab03d9d\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"heading.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t<h2 class=\"elementor-heading-title elementor-size-default\"><span class=\"ez-toc-section\" id=\"Fractionnement-splitting\"><\/span>Fraccionamiento \/ divisi\u00f3n<span class=\"ez-toc-section-end\"><\/span><\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<section class=\"elementor-section elementor-top-section elementor-element elementor-element-7433281 elementor-section-boxed elementor-section-height-default elementor-section-height-default\" data-id=\"7433281\" data-element_type=\"section\" data-e-type=\"section\">\n\t\t\t\t\t\t<div class=\"elementor-container elementor-column-gap-default\">\n\t\t\t\t\t<div class=\"elementor-column elementor-col-100 elementor-top-column elementor-element elementor-element-6e0f4d9\" data-id=\"6e0f4d9\" data-element_type=\"column\" data-e-type=\"column\">\n\t\t\t<div class=\"elementor-widget-wrap elementor-element-populated\">\n\t\t\t\t\t\t<div class=\"elementor-element elementor-element-d475926 elementor-widget elementor-widget-text-editor\" data-id=\"d475926\" data-element_type=\"widget\" data-e-type=\"widget\" data-widget_type=\"text-editor.default\">\n\t\t\t\t<div class=\"elementor-widget-container\">\n\t\t\t\t\t\t\t\t\t<p>Para dividir los nodos en las caracter\u00edsticas m\u00e1s informativas utilizando el algoritmo de decisi\u00f3n, comenzamos en la ra\u00edz del \u00e1rbol y dividimos los datos en la caracter\u00edstica que genera la mayor ganancia de informaci\u00f3n (IG). Aqu\u00ed, la funci\u00f3n objetivo es maximizar la ganancia de informaci\u00f3n (IG) en cada divisi\u00f3n, que definimos de la siguiente manera:<\/p><p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-20707 size-full\" src=\"http:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre4.webp\" alt=\"dividir el \u00e1rbol de decisi\u00f3n\" width=\"501\" height=\"96\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre4.webp 501w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre4-300x57.webp 300w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre4-18x3.webp 18w\" sizes=\"(max-width: 501px) 100vw, 501px\" \/><\/p><p>f es la funcionalidad para realizar la divisi\u00f3n, Dp y Dj son el conjunto de datos del nodo padre, j-\u00e9simo hijo, I es nuestra medida de<a href=\"https:\/\/complex-systems-ai.com\/es\/analisis-de-datos\/entropia-y-error-de-gini\/\">impureza<\/a>, Np es el n\u00famero total de muestras en el nodo principal y Nj es el n\u00famero de muestras. en el j-\u00e9simo nodo hijo.<\/p><p>Como podemos ver, la ganancia de informaci\u00f3n es simplemente la diferencia entre la impureza del nodo padre y la suma de las impurezas del nodo hijo: cuanto menor sea la impureza de los nodos hijos, mayor ser\u00e1 la ganancia de informaci\u00f3n. Sin embargo, por simplicidad y para reducir el espacio de b\u00fasqueda combinatoria, la mayor\u00eda de las bibliotecas (incluida scikit-learn) implementan \u00e1rboles de decisi\u00f3n binarios. Esto significa que cada nodo principal se divide en dos nodos secundarios, D-izquierda y D-derecha.<\/p><p><img loading=\"lazy\" decoding=\"async\" class=\"alignnone wp-image-20708 size-full\" src=\"http:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre5.webp\" alt=\"dividir el \u00e1rbol de decisi\u00f3n\" width=\"652\" height=\"86\" title=\"\" srcset=\"https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre5.webp 652w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre5-300x40.webp 300w, https:\/\/complex-systems-ai.com\/wp-content\/uploads\/2024\/02\/arbre5-18x2.webp 18w\" sizes=\"(max-width: 652px) 100vw, 652px\" \/><\/p><p>La medida de impureza implementa \u00e1rboles de decisi\u00f3n binarios y las tres medidas de impureza o criterios de divisi\u00f3n que se usan com\u00fanmente en los \u00e1rboles de decisi\u00f3n binarios son la impureza de Gini (IG), la entrop\u00eda (IH) y el error de clasificaci\u00f3n (IE).<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"<p>P\u00e1gina de inicio de Wiki de an\u00e1lisis de datos \u00c1rbol de decisiones para an\u00e1lisis de datos Un \u00e1rbol de decisiones es un enfoque de aprendizaje supervisado no param\u00e9trico y... <\/p>","protected":false},"author":1,"featured_media":0,"parent":15503,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-20701","page","type-page","status-publish","hentry"],"amp_enabled":true,"_links":{"self":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/20701","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/comments?post=20701"}],"version-history":[{"count":4,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/20701\/revisions"}],"predecessor-version":[{"id":20711,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/20701\/revisions\/20711"}],"up":[{"embeddable":true,"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/pages\/15503"}],"wp:attachment":[{"href":"https:\/\/complex-systems-ai.com\/es\/wp-json\/wp\/v2\/media?parent=20701"}],"curies":[{"name":"gracias","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}