Presentación árbol de decisión.pdf

árbol de decisión

1. Prof. Victor Manuel Fuentes Olivares
Ing. Comunicaciones y Electrónica
Maestría: Ingeniería Industrial
[email protected]

2. Objetivo:
Conocer la técnica de Árbol de decisión en redes neuronales para aplicarla como forma
de inteligencia artificial machine learning.

3. Árbol de decisión en IA
1.Definición
2.Terminologías
3.La relación con Machine
learning
4.¿Dónde se utiliza?
5.¿Cómo funciona?

4. 1.Definición:
UnárboldedecisiónenMachineLearningesunaestructuradeárbolsimilar
aundiagramadeflujodondeunnodointernorepresentaunacaracterística
(oatributo),laramarepresentaunaregladedecisiónycadanodohoja
representaelresultado.
Estaestructuratipodiagramadeflujoloayudaatomardecisiones.Esuna
visualizacióncomoundiagramadeflujoqueimitafácilmenteel
pensamientoanivelhumano.Esporesoquelosárbolesdedecisiónson
fácilesdeentendereinterpretar.

5. 2. Terminologías
1.Nodo raíz (nodo de decisión superior ):Representa a toda la población o muestra y
esto se divide en dos o más conjuntos homogéneos.
2.División:Es un proceso de división de un nodo en dos o más subnodos.
3.Nodo de decisión:Cuando un subnodose divide en subnodosadicionales, se llama
nodo de decisión.
4.Nodo de hoja / terminal:Los nodos sin hijos (sin división adicional) se llaman Hoja o
nodo terminal.
5.Poda:Cuando reducimos el tamaño de los árboles de decisión eliminando nodos
(opuesto a la división), el proceso se llama poda.
6.Rama / Subárbol:Una subsección del árbol de decisión se denomina rama o
subárbol.
7.Nodo padre e hijo:Un nodo, que se divide en subnodosse denomina nodo principal
de subnodos, mientras que los subnodosson hijos de un nodo principal.

6. Terminología
•Nodo raíz: población completa o muestra
•Ramificación
•Nodo de decisión
•Nodo terminal y hoja
•Poda
•Rama/sub-árbol
•Nodos padre e hijo

7. 3. Relación con machine learning

8. Los algoritmos de aprendizaje basados ​​en árboles se consideran uno de los mejores y más
utilizados métodos de aprendizaje supervisado.

9. 4. ¿Dónde se utiliza?
•Árboles de decisión puede utilizarse para problemas declasificación y regresión.

11. 5. ¿Cómo funciona? Ejemplos
Problemasdetiporegresión
Losproblemasdetiporegresiónsongeneralmenteaquellosenlosqueintentamos
predecirlosvaloresdeunavariablecontinuaapartirdeunaomásvariablespredictoras
categóricas.
Porejemplo,podemosquererpredecirlospreciosdeventadecasasunifamiliares(una
variabledependientecontinua)apartirdevariosotrospredictorescontinuos(p.Ej.,Pies
cuadrados)asícomopredictorescategóricos(porejemplo,estilodehogar,comorancho,dos
pisos,etc.,códigopostalocódigodeáreatelefónicadondeseencuentralapropiedad,etc.,
tengaencuentaqueestaúltimavariableseríadenaturalezacategórica,aunquecontendría
datosnuméricosvaloresocódigos).
Siutilizamoslaregresiónmúltiplesimple,oalgúnmodelolinealgeneral(GLM)parapredecir
lospreciosdeventadeviviendasunifamiliares,determinaríamosunaecuaciónlinealpara
estasvariablesquepuedeusarseparacalcularlospreciosdeventapronosticados

12. Problemasdetipodeclasificación
Losproblemasdetipodeclasificacióngeneralmentesonaquellosenlosque
intentamospredecirlosvaloresdeunavariabledependientecategórica(clase,
pertenenciaagrupos,etc.)apartirdeunaomásvariablespredictorascontinuasy/o.
Porejemplo,podemosestarinteresados​​enpredecirquiénsequedaráonodela
universidad,oquiénrenovaráonounasuscripción.Estosseríanejemplosde
problemassimplesdeclasificaciónbinaria,dondelavariabledependientecategórica
solopuedeasumirdosvaloresdistintosymutuamenteexcluyentes.

21. Fuentes de información
H. M. Schmid, A. Bazzon, J. Milli, et al.: SPHERE/ZIMPOL observations of the symbiotic system R Aquarii-I.
Imaging of the stellar binary and the innermost jet clouds. A&A Vol. 602, p. A53 (2017)
Gaia Collaboration, T. Prusti, J. H. J. de Bruijne, A. G. A. Brown, A. Vallenari, C. Babusiaux, C. A. L. Bailer-
Jones, U. Bastian, M. Biermann, D. W. Evans, et al.: Thegaiamission. A&A 595, p A1 (2016)
Keller, C. A., Evans, M. J.: Application of random forest regression to the calculation of gas-phase chemistry
within the GEOS-Chem chemistry model v10. Geoscientific Model Development, 12(3), 1209–1225 (2019)