Qué Es un Árbol de Decisión
Para muchos problemas de la vida real, se puede construir un Árbol de Decisión. En un Árbol de Decisión, se plantea una pregunta (nodo de decisión) y, según la respuesta, se llega a una decisión (nodo hoja) o se plantean más preguntas (nodo de decisión), y así sucesivamente.
A continuación, se muestra un ejemplo de una prueba de pato/no pato:
Aplicar la misma lógica a los datos de entrenamiento permite derivar uno de los algoritmos más importantes de aprendizaje automático, que puede utilizarse tanto para tareas de regresión como de clasificación. En este curso, nos centraremos en la clasificación.
El siguiente video ilustra cómo funciona:
En el video anterior, 'Classes' muestra el número de muestras de datos de cada clase en un nodo. Por ejemplo, el nodo raíz contiene todas las muestras de datos (4 'cookies', 4 'not cookies'). Y el nodo hoja a la izquierda tiene solo 3 'not cookies'.
Con cada nodo de decisión, se busca dividir los datos de entrenamiento de modo que los puntos de datos de cada clase queden separados en sus propias hojas.
Un árbol de decisión también maneja con facilidad la clasificación multiclase:
Y la clasificación con múltiples características también puede ser gestionada por el árbol de decisión. Ahora cada nodo de decisión puede dividir los datos utilizando cualquiera de las características.
En el video anterior, el conjunto de entrenamiento se escala utilizando StandardScaler. Esto no es necesario para el árbol de decisión. Funcionará igual de bien con los datos sin escalar. Sin embargo, el escalado mejora el rendimiento de todos los demás algoritmos, por lo que es recomendable añadir siempre el escalado en el preprocesamiento.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 4.17Qué Es un Árbol de Decisión
Desliza para mostrar el menú
Para muchos problemas de la vida real, se puede construir un Árbol de Decisión. En un Árbol de Decisión, se plantea una pregunta (nodo de decisión) y, según la respuesta, se llega a una decisión (nodo hoja) o se plantean más preguntas (nodo de decisión), y así sucesivamente.
A continuación, se muestra un ejemplo de una prueba de pato/no pato:
Aplicar la misma lógica a los datos de entrenamiento permite derivar uno de los algoritmos más importantes de aprendizaje automático, que puede utilizarse tanto para tareas de regresión como de clasificación. En este curso, nos centraremos en la clasificación.
El siguiente video ilustra cómo funciona:
En el video anterior, 'Classes' muestra el número de muestras de datos de cada clase en un nodo. Por ejemplo, el nodo raíz contiene todas las muestras de datos (4 'cookies', 4 'not cookies'). Y el nodo hoja a la izquierda tiene solo 3 'not cookies'.
Con cada nodo de decisión, se busca dividir los datos de entrenamiento de modo que los puntos de datos de cada clase queden separados en sus propias hojas.
Un árbol de decisión también maneja con facilidad la clasificación multiclase:
Y la clasificación con múltiples características también puede ser gestionada por el árbol de decisión. Ahora cada nodo de decisión puede dividir los datos utilizando cualquiera de las características.
En el video anterior, el conjunto de entrenamiento se escala utilizando StandardScaler. Esto no es necesario para el árbol de decisión. Funcionará igual de bien con los datos sin escalar. Sin embargo, el escalado mejora el rendimiento de todos los demás algoritmos, por lo que es recomendable añadir siempre el escalado en el preprocesamiento.
¡Gracias por tus comentarios!
