Diagrama de árbol de decisión

Figura Nombre Significado

Nodo de Indica una decisión que se

Qué es un diagrama de árbol de decisión decisión tomará

¿Cuáles son tus necesidades de creación de

árbol de decisión? Nodo de Muestra múltiples
probabilidad resultados inciertos
¿Qué es un árbol de decisión?

Un árbol de decisión es un mapa de los

posibles resultados de una serie de decisiones Ramificacion Cada ramificación indica
relacionadas. Permite que un individuo o una es un posible resultado o
organización comparen posibles acciones alternativas acción
entre sí según sus costos, probabilidades y
beneficios. Se pueden usar para dirigir un Alternativa Muestra una alternativa
intercambio de ideas informal o trazar un rechazada que no estaba
algoritmo que anticipe matemáticamente la seleccionada
mejor opción.

Un árbol de decisión, por lo general, comienza Nodo Indica un resultado

con un único nodo y luego se ramifica en terminal definitivo
resultados posibles. Cada uno de esos
resultados crea nodos adicionales, que se
ramifican en otras posibilidades. Esto le da
una forma similar a la de un árbol. Símbolos de los árboles de decisión

Hay tres tipos diferentes de nodos: nodos de
probabilidad, nodos de decisión y nodos
terminales. Un nodo de probabilidad,
representado con un círculo, muestra las
probabilidades de ciertos resultados. Un nodo
de decisión, representado con un cuadrado,
muestra una decisión que se tomará, y un
nodo terminal muestra el resultado definitivo
de una ruta de decisión.
Los árboles de decisión también se pueden
dibujar con símbolos de diagramas de flujo,
que a algunas personas les parecen más
fáciles de leer y comprender.
Cómo dibujar un árbol de decisión
Para dibujar un árbol de decisión, primero
debes elegir un medio. Puedes dibujarlo a
mano en un papel o una pizarra, o puedes
usar un software de árboles de decisión. En
cualquier caso, te mostramos los pasos que
debes seguir:
1. Comienza con la decisión principal. Dibuja
un pequeño recuadro para representar este
punto, luego dibuja una línea desde el
recuadro hacia la derecha para cada posible
solución o acción. Etiquétalas correctamente.
2. Agrega nodos de decisión y
probabilidad para expandir el árbol del
siguiente modo:
 Si otra decisión es necesaria, dibuja
otro recuadro.
 Si el resultado es incierto, dibuja un
círculo (los círculos representan
nodos de probabilidad).
 Si el problema está resuelto, déjalo en
blanco (por ahora).
Desde cada nodo de decisión, dibuja
soluciones posibles. Desde cada nodo de
probabilidad, dibuja líneas que representen
los resultados posibles. Si deseas analizar tus
opciones de forma numérica, incluye la
probabilidad de cada resultado y el costo de
cada acción.
3. Continúa con la expansión hasta que cada
línea alcance un extremo, lo que significa que
no hay más decisiones que tomar o resultados
probables que considerar. Luego, asigna un
valor a cada resultado posible. Puede ser una
puntuación abstracta o un valor financiero.
Agrega triángulos para indicar los extremos.
Con un árbol de decisión completo, ya estás
listo para comenzar a analizar la decisión que
enfrentas.
Ejemplo de análisis de un árbol de decisión
Al calcular la utilidad o el valor esperado de
cada decisión en el árbol, puedes minimizar el
riesgo y maximizar la probabilidad de obtener
un resultado deseado.
Para calcular la utilidad esperada de una
decisión, solo debes restar el costo de esa
decisión a los beneficios esperados. Los
beneficios esperados son iguales al valor total
de todos los resultados que puedan derivar de
esa decisión, y cada valor se multiplica por la
probabilidad de que ocurra. A continuación te
mostraremos cómo nosotros calcularíamos
estos valores para el ejemplo descrito
anteriormente:
Al identificar cuál es el resultado más
deseable, es importante tener en cuenta las
preferencias de utilidad del encargado de
tomar la decisión. Por ejemplo, algunos
prefieren opciones de bajo riesgo, mientras
que otros están dispuestos a correr riesgos si
el beneficio es mayor.
Al usar tu árbol de decisión acompañado por
un modelo de probabilidad, puedes
emplearlo para calcular la probabilidad
condicional de un evento o la probabilidad de
que suceda, en el caso de que otro evento
ocurra. Para hacerlo, simplemente empieza
con el evento inicial, luego sigue la ruta desde
ese evento hasta el evento objetivo, y
multiplica la probabilidad de cada uno de esos
eventos juntos.
De este modo, un árbol de decisión se puede
emplear como un diagrama de árbol
tradicional, que traza las probabilidades de
determinados eventos, como lanzar una
moneda dos veces.
Ventajas y desventajas
Los árboles de decisión siguen siendo
populares por razones como las siguientes:
 Son muy fáciles de entender
 Pueden ser útiles con o sin datos
fehacientes, y cualquier dato
requiere una preparación mínima
 Se pueden agregar nuevas opciones a
los árboles existentes
 Su valor al seleccionar la mejor de
numerosas opciones
  Se combinan fácilmente con otras
herramientas de toma de decisiones
Sin embargo, los árboles de decisión pueden
volverse excesivamente complejos. En esos
casos, un diagrama de influencia más
compacto puede ser una buena alternativa.
Los diagramas de influencia se enfocan en los
objetivos, las entradas y las decisiones
fundamentales.
Árboles de decisión en minería de datos y
aprendizaje automático
Un árbol de decisión también puede usarse
para ayudar a crear modelos predictivos
automatizados, que puedan emplearse en el
aprendizaje automático, la minería de datos y
las estadísticas. Conocido como "el
aprendizaje basado en árboles de decisión",
este método toma en consideración las
observaciones sobre un elemento para
predecir su valor.
En estos árboles de decisión, los nodos
representan datos en lugar de decisiones.
Este tipo de árbol también se conoce como
"árbol de clasificación". Cada ramificación
contiene un conjunto de atributos o reglas de
clasificación asociadas a una etiqueta de clase
específica, que se halla al final de la
ramificación.
Estas reglas, también conocidas como "reglas
de decisión", se pueden expresar en una
cláusula "Si... entonces...". Cada valor de
datos o decisión forma una cláusula, de tal
manera que, por ejemplo, "si las condiciones
1, 2 y 3 se cumplen, entonces el resultado X
será el resultado definitivo con certeza Y".
Cada dato adicional ayuda a que el modelo
prediga de forma más precisa a qué conjunto
finito de valores pertenece el asunto en
cuestión. Esa información se puede usar
posteriormente como una entrada en un
modelo más grande de toma de decisiones.
A veces la variable predicha será un número
real, como un precio. Los árboles de decisión
con resultados posibles, infinitos y continuos
se llaman "árboles de regresión".
Para una mayor precisión, se suelen combinar
múltiples árboles con métodos de
ensamblado:
 Bagging (Ensamblado) crea múltiples
árboles de decisión haciendo un
remuestreo de los datos de origen,
luego hace que los árboles voten para
llegar a un consenso.
 Un clasificador de selva
aleatoria consiste en múltiples
árboles diseñados para aumentar la
tasa de clasificación.
 Los árboles ampliados se pueden
usar en árboles de clasificación y de
regresión.
 Los árboles en una Selva aleatoria
(Rotation Forest) se entrenan
mediante el uso del análisis de
componentes principales (ACP) en
una porción aleatoria de los datos.
Un árbol de decisión se considera ideal
cuando representa la mayor cantidad de
datos con el menor número de niveles o
preguntas. Los algoritmos diseñados para
crear árboles de decisión optimizados
incluyen CART, ASSISTANT, CLS y ID3/4/5. Un
árbol de decisión también se puede generar
mediante la creación de reglas de asociación,
ubicando la variable objetivo a la derecha.
Cada método debe determinar cuál es la
mejor forma de dividir los datos en cada nivel.
Los métodos comunes para hacerlo incluyen
la medición de la impureza de Gini, la
obtención de información y la reducción de
variaciones.
Emplear los árboles de decisión en el
aprendizaje automático tiene numerosas
ventajas:

 El costo del uso del árbol para

predecir los datos disminuye con
cada punto de datos adicional.
 Funciona para los datos numéricos o
categóricos.
 Puede modelar problemas con
múltiples resultados.
 Usa un modelo de caja blanca (lo que
hace que los resultados sean fáciles
de explicar).
 La fiabilidad de un árbol se puede
cuantificar y poner a prueba.
 Tiende a ser preciso
independientemente de si viola las
suposiciones de los datos de origen.

Pero también tienen algunas desventajas:

 Cuando se presentan datos

categóricos con múltiples niveles, la
información obtenida se inclina a
favor de los atributos con mayoría de
niveles.
 Los cálculos pueden volverse
complejos al lidiar con la falta de
certezas y numerosos resultados
relacionados.
 Las conjunciones entre nodos se
limitan a AND, mientras que los
gráficos de decisión admiten nódulos
relacionados mediante OR.