Bolo 3 Gerencia

BOLO 3 GERENCIA
ARBOL DE DECISIONES
INTRODUCCION A través del tiempo se han desarrollado una gran cantidad de métodos
para el análisis de datos, los cuales principalmente están basados en técnicas estadísticas. Sin
embargo, a medida de que la información almacenada crece considerablemente, los métodos
estadísticos tradicionales han empezado a enfrentar problemas de eficiencia y escalabilidad.
Debido a que la mayor parte de esta información es histórica y procede de fuentes diversas,
parece clara la inminente necesidad de buscar métodos alternativos para el análisis de este
tipo de datos y a partir de ellos, poder obtener información relevante y no explícita. En la
mayoría de los casos, el análisis e interpretación de los datos se hace de forma manual, es
decir, el especialista analiza y elabora un informe o hipótesis que refleja las tendencias o pautas
de los mismos, para poder presentar sus conclusiones y a partir de ellas poder tomar
decisiones importantes y significativas. Como se puede observar, este proceso es lento, caro y
altamente subjetivo, de hecho, el análisis manual es impracticable en situaciones en las que el
volumen de los datos crece exponencialmente, ya que la gran cantidad de datos sobrepasa la
capacidad humana para comprenderlos sin la ayuda de una herramienta adecuada. Por lo
tanto, en la mayoría de los casos las decisiones importantes se toman no a partir de los datos,
sino de la intuición y experiencia de los expertos, puesto que carecen de herramientas idóneas
que los apoyen1 . Para el caso de la medicina, es posible aplicar métodos alternativos, debido a
la gran cantidad de padecimientos involucrados, las sintomatologías y los pacientes. Lo ideal
sería que los médicos pudieran contar con el apoyo de una herramienta que les permita
analizar los datos sintomatológicos de cada uno de sus pacientes para poder determinar con
base en casos anteriores, el diagnóstico más acertado así como el tratamiento óptimo a seguir,
lo cual representaría un soporte y ayuda para el médico. Una herramienta alternativa para la
predicción y clasificación de grandes cantidades de datos que es utilizada ampliamente en el
área de la inteligencia artificial son los árboles de decisión.
1 IMPORTANCIA DE LOS ARBOLES DE DECISIONES Un árbol de decisión es un

modelo de predicción cuyo objetivo principal es el aprendizaje inductivo a partir de
observaciones y construcciones lógicas. Son muy similares a los sistemas de predicción basados
en reglas, que sirven para representar y categorizar una serie de condiciones que suceden de
forma sucesiva para la solución de un problema. Constituyen probablemente el modelo de
clasificación más utilizado y popular. El conocimiento obtenido durante el proceso de
aprendizaje inductivo se representa mediante un árbol. Un árbol gráficamente se representa
por un conjunto de nodos, hojas y ramas. El nodo principal o raíz es el atributo a partir del cual
se inicia el proceso de clasificación; los nodos internos corresponden a cada una de las
preguntas acerca del atributo en particular del problema. Cada posible respuesta a los
cuestionamientos se representa mediante un nodo hijo. Las ramas que salen de cada uno de
estos nodos se encuentran etiquetadas con los posibles valores del atributo2 . Los nodos
finales o nodos hoja corresponden a una decisión, la cual coincide con una de las variables
clase del problema a resolver (Ver Figura 1). Este modelo se construye a partir de la descripción
narrativa de un problema, ya que provee una visión gráfica de la toma de decisión,
especificando las variables que son evaluadas, las acciones que deben ser tomadas y el orden
en el que la toma de decisión será efectuada. Cada vez que se ejecuta este tipo de modelo,
sólo un camino será seguido dependiendo del valor actual de la variable evaluada. Los valores
que pueden tomar las variables para este tipo de modelos pueden ser discretos o continuos3 .
Un algoritmo de generación de árboles de decisión consta de 2 etapas: la primera corresponde
a la inducción del árbol y la segunda a la clasificación. En la primera etapa se construye el árbol
de decisión a partir del conjunto de entrenamiento; comúnmente cada nodo interno del árbol
se compone de un atributo de prueba y la porción del conjunto de entrenamiento presente en
el nodo es dividida de acuerdo con los valores que pueda tomar ese atributo. La construcción
del árbol inicia generando su nodo raíz, eligiendo un atributo de prueba y dividiendo el
conjunto de entrenamiento en dos o más subconjuntos; para cada partición se genera un
nuevo nodo y así sucesivamente. Cuando en un nodo se tienen objetos de más de una clase se
genera un nodo interno; cuando contiene objetos de una clase solamente, se forma una hoja a
la que se le asigna la etiqueta de la clase. En la segunda etapa del algoritmo cada objeto nuevo
es clasificado por el árbol construido; después se recorre el árbol desde el nodo raíz hasta una
hoja, a partir de la que se determina la membresía del objeto a alguna clase. El camino a seguir
en el árbol lo determinan las decisiones tomadas en cada nodo interno, de acuerdo con el
atributo de prueba presente en él.
AUTORES:
Rocío Erandi Barrientos Martínez1 , Nicandro Cruz Ramírez1 , Héctor Gabriel Acosta Mesa1 ,
Ivonne Rabatte Suárez2 , María del Carmen Gogeascoechea Trejo2 , Patricia Pavón León2 ,
Sobeida L. Blázquez Morales2 .
2 Los elementos fundamentales de un árbol de decisión son:
1. Nodo Raíz:
 Inicio del árbol: Es el punto de partida de la decisión.

 Pregunta inicial: Representa la primera pregunta o criterio a considerar.
2. Ramas:
 Opciones: Conectan el nodo raíz y los nodos internos.

 Alternativas: Representan las posibles respuestas o caminos que se pueden
tomar a partir de una decisión.
3. Nodos Internos:
 Decisiones secundarias: Son puntos de bifurcación donde se toman decisiones

adicionales.
 Preguntas: Cada nodo interno plantea una nueva pregunta o criterio a evaluar.
4. Nodos Hoja:
 Resultados finales: Son los puntos finales del árbol.

 Predicciones o clasificaciones: Representan las posibles salidas o
consecuencias de las decisiones tomadas.
5. Atributos:
 Características: Son las variables o propiedades que se utilizan para tomar las
decisiones en cada nodo.
 Criterios: Definen las condiciones para seguir una rama u otra.
Ejemplo:
Imagina que quieres decidir si llevar paraguas. Un árbol de decisión podría ser:
 Nodo raíz: ¿Está nublado?

o Rama Sí:
 Nodo interno: ¿Está lloviendo?
 Rama Sí: Llevar paraguas
 Rama No: No llevar paraguas
o Rama No: No llevar paraguas
Visualización:
Se abre en una ventana nueva

www.chegg.com
decision tree for carrying an umbrella
Características de los Árboles de Decisión:
 Intuitivos: Fáciles de entender y visualizar.

 Flexibles: Se pueden aplicar a problemas de clasificación y regresión.
 No paramétricos: No hacen suposiciones previas sobre la distribución de los
datos.
 Interpretables: Permiten identificar los atributos más importantes para la toma
de decisiones.
Usos Comunes:
 Predicción: Clasificar datos en categorías (por ejemplo, spam o no spam).

 Clasificación: Asignar elementos a grupos predefinidos (por ejemplo, clientes
de alto o bajo valor).
 Diagnóstico: Identificar la causa de un problema (por ejemplo, un fallo
mecánico).
 Recomendación: Sugerir productos o servicios a un usuario (por ejemplo,
recomendaciones de películas en Netflix).
Ventajas:
 Fácil implementación: Existen muchas herramientas y bibliotecas para crear

árboles de decisión.
 Alta interpretabilidad: Los resultados son fáciles de entender y explicar.
 Manejo de datos faltantes: Los árboles de decisión pueden manejar datos
faltantes.
Desventajas:
 Sobreajuste: Los árboles de decisión pueden ser muy complejos y

sobreajustarse a los datos de entrenamiento.
 Inestabilidad: Pequeños cambios en los datos pueden generar árboles de
decisión muy diferentes.
3 CARACTERISTICAS DE LOS ARBOLES DE DECISIONES

4

Bolo 3 Gerencia

Cargado por

Copyright:

Formatos disponibles

Bolo 3 Gerencia

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bolo 3 Gerencia

Cargado por

Copyright:

Formatos disponibles

BOLO 3 GERENCIA

1 IMPORTANCIA DE LOS ARBOLES DE DECISIONES Un árbol de decisión es un

2 Los elementos fundamentales de un árbol de decisión son:

 Inicio del árbol: Es el punto de partida de la decisión.

 Opciones: Conectan el nodo raíz y los nodos internos.

 Decisiones secundarias: Son puntos de bifurcación donde se toman decisiones

 Resultados finales: Son los puntos finales del árbol.

 Nodo raíz: ¿Está nublado?

Se abre en una ventana nueva

Características de los Árboles de Decisión:

 Intuitivos: Fáciles de entender y visualizar.

 Predicción: Clasificar datos en categorías (por ejemplo, spam o no spam).

 Fácil implementación: Existen muchas herramientas y bibliotecas para crear

 Sobreajuste: Los árboles de decisión pueden ser muy complejos y

3 CARACTERISTICAS DE LOS ARBOLES DE DECISIONES

También podría gustarte