Clase 1 de 23 • Curso de Decision Trees y Random Forest con Python y scikit-learn
Contenido del curso
Andres Sanchez
Julián Cárdenas
Juan R. Vergara M.
Layla Scheli
Luis Ernesto Domínguez Velásquez
Juan Rossano
Octavio De Paula
Rodrigo Flores
Gonzalo Ceron Denetro
Layla Scheli
Mauricio Ruiz Rubio
Braylin Alexander Jiménez Reynoso
Sebastián Franco
Mario Alexander Vargas Celis
Luis Ernesto Domínguez Velásquez
Layla Scheli
Iván Ozono
Erika Bazurto
Alexis Aquino Noriega
Antonio Demarco Bonino
Isaac Bryan Ascanoa Roncall
Layla Scheli
Julián Cárdenas
Arazani Balcazar Martínez
1. ¿Qué son los árboles de decisión?
Gracias buen summary!
Vengo del futuro, este es un gran curso 💚
Gracias Juan, por tus palabras :)
Dos formulas indispensable en la creación de un árbol de decisión: Entropía y ganancia de la información https://www.yizinet.com/ganancia-de-informacion-y-entropia/
Que alegria encontrate aca. Exitos.
¿Qué son los árboles de decisión?
Los árboles de decisión son algoritmos estadísticos o técnicas de machine learning que nos permiten la construcción de modelos predictivos de analítica de datos para el Big Data basados en su clasificación según ciertas características o propiedades, o en la regresión mediante la relación entre distintas variables para predecir el valor de otra.
Este curso huele a nuevo wenas wenas G-nte
Para comprender mejor acerca de los árboles de decisión y profundizar les recomiendo ver acerca de la teoría de la información
Gracias por la recomendacion :) Saludos!
Arboles de decisión:
Este curso promete
Los árboles de decisión son algoritmos de aprendizaje supervisado, estos son la base de bastantes nuevos algoritmos, entre ellos los de Boosting, alternativas viables a las redes neuronales
Estos fueron desarrollados por Leo Breinman inicialmente y pueden ser utilizados para problemas de regresión y clasificación
Los árboles constan de 3 atributos principales: Una raíz (root), unos nodos (nodes) y unas hojas (leafs). Los árboles de decisiones aprenden de los datos generando reglas condicionales, cada división es un nodo y cada fin de nodo se conoce como hoja
En un caso práctico, considérese el caso de querer jugar un partido de Tenis, esto se determinará dependiendo del clima, si es Nublado entonces sí podemos hacerlo, si está soleado dependerá del nivel de humedad y si el día es lluvioso dependerá de si hay viento en el ambiente
Los árboles de decisión son modelos de aprendizaje supervisado que se utilizan para resolver problemas de clasificación y regresión. Su estructura se asemeja a un árbol, donde cada nodo interno representa una pregunta o condición sobre una característica (feature), cada rama representa el resultado de esa condición, y cada hoja representa una predicción final (una clase o un valor numérico).
🔍 ¿Cómo funcionan?
✳️ Ventajas
⚠️ Desventajas
🔧 Ejemplo en Python con Scikit-learn
from sklearn.tree import DecisionTreeClassifier
modelo = DecisionTreeClassifier() modelo.fit(X_train, y_train) predicciones = modelo.predict(X_test)
Cual es el aporte de Ross Quinlan en árbol de decisión?
Hola Luis, principalmente al algoritmo. Aqui podes leer mas :)
Un Árbol de Decisión es una estructura en forma de árbol que sirve para clasificar datos o hacer predicciones. Se utiliza tanto para problemas de clasificación (cuando predices categorías, como "spam" o "no spam") como de regresión (cuando predices valores numéricos, como el precio de una casa).
Se llama "árbol" porque tiene una estructura jerárquica:
Hola, una duda en el examen respondí esta pregunta, pero no entiendo porque estoy mal.
Los modelos de árboles de decisión ``aprenden de los datos generando reglas de tipo``:
Le pregunté a la IA y me dice que la respuesta si es if-then. No entiendo porque el sistema me la califico como incorrecta.
Un árbol de decisión es un modelo de predicción que utiliza un enfoque jerárquico para tomar decisiones. Se representa como un gráfico en forma de árbol, donde cada nodo interno representa una "decisión" basada en una característica, cada rama indica el resultado de esa decisión y cada hoja representa el resultado final o la clase de predicción. Los árboles de decisión son populares en Machine Learning debido a su simplicidad y facilidad de interpretación. Se utilizan en problemas de clasificación y regresión, permitiendo visualizar claramente las reglas de decisión.
Una metáfora de Caperucita roja y los árboles de decisión:
Es interesante el uso de trees. Espero aprender mucho sobre su uso y como aplicarlo en el proyecto.
Gracias Isaac, un placer :)
Otro curso más de la excelente ruta de Data Scientist con Phyton!!
Estaba esperando con ansias este curso 😍
