Regístrate gratis

Qué es un
diagrama de
árbol de
decisión
¿Cuáles son tus necesidades de creación
de árboles de decisión?

No tengo experiencia en árboles

de decisión y quiero aprender
más.

Quiero crear mi propio árbol

de decisión en Lucidchart.

Quiero crear un árbol de

decisión usando una plantilla
de Lucidchart.

Índice
¿Qué es un árbol de decisión?

Símbolos de los árboles de decisión

Cómo dibujar un árbol de decisión

Ejemplo de análisis de un árbol de decisión

Ventajas y desventajas

Árboles de decisión en minería de datos y

aprendizaje automático

¿Necesitas analizar una decisión

compleja? Intenta usar un árbol de
decisión. Sigue leyendo para conocer
todo sobre los árboles de decisión:
qué son, cómo se usan y cómo crear
uno.
7 minutos de lectura

¿Quieres crear tu propio árbol de

decisión? Prueba Lucidchart. Es
rápido, sencillo y totalmente gratis.

Genera un árbol de decisión

¿Qué es un árbol de
decisión?
Un árbol de decisión es un mapa de
los posibles resultados de una serie
de decisiones relacionadas. Permite
que un individuo o una organización
comparen posibles acciones entre sí
según sus costos, probabilidades y
beneficios. Se pueden usar para
dirigir un intercambio de ideas
informal o trazar un algoritmo que
anticipe matemáticamente la mejor
opción.

Un árbol de decisión, por lo general,

comienza con un único nodo y luego
se ramifica en 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.

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.

Símbolos de los
árboles de decisión

Figura Nombre Significado

Indica una
Nodo de decisión que
decisión se tomará

Muestra
Nodo de múltiples
probabilidad resultados
inciertos

Cada
ramificación
Ramificaciones indica un
alternativas posible
resultado o
acción

Muestra una
alternativa
Alternativa que no
rechazada estaba
seleccionada

Indica un
Nodo terminal resultado
definitivo

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.

Crear diagramas es rápido y sencillo

con Lucidchart. Inicia una prueba
gratuita hoy mismo para empezar a
crear y colaborar.

Genera un árbol de decisión

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.

Recursos útiles
Cómo crear un diagrama de árbol de
decisión

Quizás te enfrentes a muchas

decisiones difíciles, pero realizar un
árbol de decisión no lo es. El
software de creación de diagramas
en línea de Lucidchart facilita el
desglose de las decisiones