ESTRUCTURA DE DATOS

MISION 3.2

Los árboles de decisión son modelos de aprendizaje automático y herramientas de

inteligencia computacional que se utilizan para la toma de decisiones. Estos modelos se
construyen de manera jerárquica, dividiendo el conjunto de datos en subconjuntos más
pequeños de manera recursiva. Cada división se realiza en base a una característica
particular, y cada nodo interno del árbol representa una decisión basada en esa
característica.

Características clave de los árboles de decisión:

1. Estructura Jerárquica: Al igual que un árbol en la naturaleza, un árbol de decisión tiene

una estructura jerárquica con un nodo raíz, nodos internos y nodos hoja. Cada nodo
interno representa una decisión basada en una característica, y cada nodo hoja representa
el resultado o la clasificación final.

2. **Decisiones Binarias: En cada nodo interno, se realiza una pregunta binaria sobre una
característica específica del conjunto de datos. La respuesta a esta pregunta guía la
división del conjunto de datos en dos ramas, cada una llevando a un nuevo nodo interno o
a un nodo hoja.

3. **Aprendizaje Supervisado: Los árboles de decisión se utilizan principalmente en

problemas de aprendizaje supervisado, donde se tiene un conjunto de datos etiquetado y
el objetivo es predecir una variable objetivo.

¿Por qué se llaman "árboles de decisión"?

El nombre "árboles de decisión" proviene de su estructura visual que se asemeja a un

árbol invertido. La raíz del árbol representa la pregunta inicial sobre una característica, los
nodos internos representan decisiones basadas en características adicionales, y las hojas
representan las conclusiones o resultados finales. La estructura de árbol facilita la
interpretación visual de las decisiones tomadas en el proceso de clasificación o predicción.

**Relación con los árboles binarios tradicionales:**

Los árboles de decisión comparten la estructura de árbol con los árboles binarios
tradicionales, pero su propósito y funcionamiento son diferentes. En los árboles binarios
tradicionales, cada nodo tiene exactamente dos hijos, y se utilizan para estructurar datos
de manera eficiente (como en los árboles de búsqueda binaria). En cambio, los árboles de
decisión pueden tener más de dos ramas en cada nodo interno, ya que se dividen en
función de múltiples características.

Ambos tipos de árboles comparten la noción de una estructura jerárquica que se ramifica
en base a ciertas condiciones. Sin embargo, mientras que los árboles binarios tradicionales
se centran en la eficiencia de búsqueda y organización de datos, los árboles de decisión se
utilizan para tomar decisiones y modelar relaciones en conjuntos de datos complejos.