Cursos Empresas Blog Live Conf Precios

Análisis exploratorio de datos para árbol de decisión

Clase 8 de 23 • Curso de Decision Trees y Random Forest con Python y scikit-learn

Contenido del curso

Introducción a árboles de decisión

Proyecto práctico: árboles de decisión

Introducción a random forest

Proyecto práctico: random forest

20
Entrenamiento de modelo de clasificación de carros con random forest
04:28 min
21
Evaluación de resultados del modelo de clasificación con random forest
11:34 min

Conclusión

El análisis exploratorio de datos (EDA) es un paso clave antes de aplicar un algoritmo como un árbol de decisión, ya que te permite:

Entender la estructura y calidad del dataset.
Detectar valores faltantes o atípicos.
Visualizar relaciones entre variables.
Evaluar qué variables podrían ser importantes para la predicción.

✅ Pasos del Análisis Exploratorio de Datos (EDA) para Árbol de Decisión

1. Cargar los datos y revisar estructura

import pandas as pd

df = pd.read_csv('autos.csv') # ejemplo print(df.head()) print(df.info()) print(df.describe())

2. Identificar la variable objetivo (target)

Verifica si es una variable categórica (clasificación) o numérica (regresión).

print(df['tipo_auto'].value_counts())

Ejemplo de categorías: ['fósil', 'eléctrico', 'híbrido']

3. Visualizar la distribución de la variable target

import seaborn as sns import matplotlib.pyplot as plt

sns.countplot(x='tipo_auto', data=df) plt.title('Distribución del tipo de automóvil') plt.show()

4. Revisar valores nulos

print(df.isnull().sum())

Soluciones:

Imputar valores nulos (media, moda, etc.)
Eliminar columnas o filas con muchos nulos

5. Revisar correlaciones entre variables numéricas

Aunque los árboles no necesitan variables escaladas ni normalizadas, es útil conocer la relación entre variables.

sns.heatmap(df.corr(), annot=True, cmap='coolwarm')

6. Codificar variables categóricas

Los árboles pueden trabajar con etiquetas numéricas, así que debes convertir las categorías:

from sklearn.preprocessing import LabelEncoder

le = LabelEncoder() df['tipo_auto'] = le.fit_transform(df['tipo_auto'])

Aplica lo mismo a otras columnas categóricas si es necesario.

7. Detectar outliers

Puedes usar diagramas de caja (boxplots):

sns.boxplot(x=df['potencia']) plt.title('Potencia - detección de outliers') plt.show()

8. Análisis bivariado

Estudia cómo se relacionan las variables predictoras con la variable objetivo:

sns.boxplot(x='tipo_auto', y='consumo', data=df)

9. Feature importance (opcional luego del modelo)

Los árboles te permiten saber qué variables son más importantes después del entrenamiento:

from sklearn.tree import DecisionTreeClassifier

X = df.drop('tipo_auto', axis=1) y = df['tipo_auto']

modelo = DecisionTreeClassifier() modelo.fit(X, y)

importances = modelo.feature_importances_ for col, imp in zip(X.columns, importances): print(f"{col}: {imp:.3f}")