Árboles de Decisión

Un árbol de decisión puede ser definido como un mapa de un proceso de

razonamiento ya que por medio de este, se describe a un conjunto de
datos con forma de estructura arbórea lógica.

Un diagrama de árbol de decisiones te permite evaluar mediante una

representación gráfica los posibles resultados, costos y consecuencias de
una decisión compleja. Este método es muy útil para analizar datos
cuantitativos y tomar una decisión basada en números.

En tal sentido, un árbol de decisión en Machine Learning se puede definir

como una estructura de árbol similar a un diagrama de flujo donde un
nodo interno representa una característica (o atributo), la rama representa
una regla de decisión y cada nodo hoja representa el resultado.

El nodo superior en un árbol de decisión en Machine Learning se conoce

como el nodo raíz y divide el árbol de una manera recursiva llamada
partición recursiva.
Este tipo de estructura ayuda a tomar decisiones de una forma más
sencilla ya que es una visualización que imita fácilmente el pensamiento a
nivel humano. Es por eso que los árboles de decisión suelen ser fáciles de
entender e interpretar.

Cada nodo en el árbol actúa como un caso de prueba para algún atributo,
y cada borde que desciende de ese nodo corresponde a una de las
posibles respuestas al caso de prueba. Este proceso es recursivo y se repite
para cada subárbol enraizado en los nuevos nodos.

Los árboles de decisiones tienen las siguientes características:

● Ayuda a resolver un problema, en donde hay diversas alternativas

posibles.
● Basado en un proceso de ramificación.
● El árbol de decisiones debe reducir la incertidumbre y el riesgo.
● Provee perspectivas ante una situación.
● Brinda un análisis completo de un problema.
● Además, tiene como objetivo tomar una mejor decisión.