Análisis exploratorio de datos para árbol de decisión

Cursos Empresas Blog Live Conf Precios

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

Análisis exploratorio de datos para árbol de decisión

Análisis exploratorio de datos para árbol de decisión

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}")