Bienvenido a Platzi

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?

1. División del conjunto de datos: En cada nodo, el algoritmo selecciona la característica que mejor divide los datos según algún criterio (como Gini, Entropía o MSE).
2. Construcción del árbol: El proceso se repite de forma recursiva dividiendo el conjunto en subconjuntos hasta que:
   • Todos los datos en un nodo pertenecen a la misma clase.
   • Se alcanza una profundidad máxima.
   • Otras condiciones de parada.
3. Predicción: Para predecir con un árbol, se sigue una ruta desde la raíz hasta una hoja, tomando decisiones según los valores de entrada.

✳️ Ventajas

• Fácil de entender e interpretar.
• No requiere escalado de variables.
• Puede manejar datos tanto categóricos como numéricos.
• Permite visualizar cómo se toman las decisiones.

⚠️ Desventajas

• Pueden sobreajustarse fácilmente si no se podan.
• Sensibles a pequeñas variaciones en los datos.
• No suelen ser tan precisos como modelos más complejos (aunque se pueden combinar en Random Forests o Gradient Boosting).

🔧 Ejemplo en Python con Scikit-learn

from sklearn.tree import DecisionTreeClassifier

modelo = DecisionTreeClassifier() modelo.fit(X_train, y_train) predicciones = modelo.predict(X_test)