En este sitio también podemos encontrar información adicional:
Decisions Trees: https://www.geeksforgeeks.org/decision-tree/
Introducción a árboles de decisión
¿Qué son los árboles de decisión?
Tu primer árbol de decisión con scikit-learn
Análisis de datos para tu primer árbol de decisión
Entrenamiento y evaluación de árbol de decisión con scikit-learn
¿Cómo funcionan los árboles de decisión?
¿Cuándo usar árboles de decisión?
Quiz: Introducción a árboles de decisión
Proyecto práctico: árboles de decisión
Conociendo problema a resolver y dataset de clasificación
Análisis exploratorio de datos para árbol de decisión
Procesamiento de datos para el entrenamiento de árbol de decisión
Entrenamiento de modelo de clasificación con árbol de decisión
¿Cómo evaluar un modelo de árbol de decisión?
Evaluación de resultados del modelo de árbol de decisión
Quiz: Proyecto práctico: árboles de decisión
Introducción a random forest
¿Qué son los random forest o bosques aleatorios?
Tu primer random forest con scikit-learn
Análisis de datos para tu primer random forest
Entrenamiento de tu primer modelo de random forest con scikit-learn
Evaluación de tu primer modelo de random forest con scikit-learn
¿Cómo funcionan los random forest?
¿Cuándo utilizar random forest?
Quiz: Introducción a random forest
Proyecto práctico: random forest
Entrenamiento de modelo de clasificación de carros con random forest
Evaluación de resultados del modelo de clasificación con random forest
Quiz: Proyecto práctico: random forest
Conclusión
Proyecto final y cierre
Comparte tu proyecto de Random Forest y obtén tu certificado
No tienes acceso a esta clase
¡Continúa aprendiendo! Únete y comienza a potenciar tu carrera
Si ya tienes una cuenta,
¿Cómo funcionan los árboles de decisión?
5/23Recursos
Aportes 4
Preguntas 0
Ordenar por:
Para complementar los conceptos de la clase le recomiendo pasarse por aquí: (del comienzo al minuto 7)
<https://www.youtube.com/watch?v=LZkIfA5kgl0>
Importante repasar la documentación:
<https://scikit-learn.org/stable/modules/tree.html#mathematical-formulation>
Al menos aviéntense el primer tema: **1.10**
Hace falta más rigurosidad en muchas cosas. Siento que es mejor dar más clase teórica. :)
Para que sea más claro:
* **Nodo raíz**: Es el primer nodo del árbol, que contiene todo el conjunto de datos y se divide en subconjuntos en función de una característica que maximiza la separación. Es el punto de inicio de las decisiones.
* **División (Split)**: Es el proceso mediante el cual el árbol de decisión separa los datos en base a una característica. Cada nodo se divide en dos o más ramas en función de una condición de las características.
* **Nodo de decisión**: Es un nodo interno del árbol que representa una pregunta o una condición basada en una característica. Dependiendo del resultado de esa condición (por ejemplo, "¿La edad es mayor a 30?"), el árbol sigue una rama u otra.
* **Nodo de hoja o terminal**: Son los nodos finales del árbol donde no hay más divisiones. Estos nodos contienen la predicción final de la clase o valor que se está estimando.
* **Poda (Pruning)**: Es una técnica utilizada para simplificar un árbol de decisión al eliminar ramas que tienen poca importancia o no mejoran significativamente el modelo. Ayuda a reducir el sobreajuste (overfitting).
* **Rama / Subárbol**: Es una subsección del árbol de decisión. Cada rama se origina a partir de un nodo y representa una serie de decisiones que conducen a un nodo terminal.
* **Nodo madre/padre e hijo**: El nodo padre es un nodo que se divide en dos o más nodos hijos. Cada nodo hijo es el resultado de una división del nodo padre.
¿Quieres ver más aportes, preguntas y respuestas de la comunidad?