ARBOL DE DESICION

 

ARBOL DE DESICION 👀

El aprendizaje de las máquinas es cada vez más sofisticado. Tanto que también puede ayudar en la toma de decisiones. Un árbol de decisión es esencialmente una disposición de varios resultados asociados a una serie de elecciones relacionadas entre sí. Las organizaciones y los individuos pueden utilizarlo para ponderar sus acciones basándose en múltiples factores como los beneficios, las probabilidades y los costos. Se puede utilizar un árbol de decisión en pitón para trazar algoritmos que permitan predecir la elección más favorable o para impulsar discusiones no formales.

Los mineros de datos utilizan esta herramienta con bastante frecuencia para derivar estrategias para alcanzar diversos objetivos. Sin embargo, encontrarás que el aprendizaje automático es donde el uso de un árbol de decisión es más frecuente. Típicamente, un árbol de decisión comienza con un nodo. Puede ramificarse en numerosos resultados. Cada resultado da lugar a la adición de nodos que se ramifican en más posibilidades, dándole una forma similar a la de un árbol.

Un árbol de decisión tiene tres tipos de nodos: nodos de decisión, nodos finales y nodos de azar. Los nodos de azar representan un círculo, que resalta las probabilidades de un resultado concreto. La forma cuadrada representa el nodo de decisión – indica una elección que hay que hacer. Por último, el nodo final representa el resultado de una decisión.

Ejemplo de análisis de un árbol de decisión

Se pueden reducir los riesgos y maximizar las posibilidades de lograr resultados deseables calculando el valor o la utilidad prevista de cada opción del árbol. Si quieres calcular la utilidad esperada de una elección, resta el costo de esa decisión de sus beneficios esperados. Los beneficios previstos son proporcionales al valor global de cada resultado que podría producirse de esa opción.

Cuando se trata de encontrar un resultado deseable, es esencial tener en cuenta las preferencias de la persona que toma la decisión con respecto a la utilidad. Por ejemplo, algunos están dispuestos a asumir riesgos para obtener beneficios considerables, mientras que otros quieren asumir la menor cantidad de riesgos

Así pues, cuando se utiliza el árbol de decisión con su modelo de probabilidad, puede resultar útil para calcular la probabilidad condicional de un evento. También podría ser ideal para determinar si ocurrirá en base a otros eventos. Por lo tanto, debes comenzar con un par inicial y seguir su camino hasta el evento al que te diriges. Luego, multiplica la probabilidad de cada evento para obtener los resultados.

En casos como éste, puedes usar un árbol de decisión en forma de un diagrama de árbol convencional que mapea las probabilidades de varios eventos, como tirar los dados dos veces.

¿Cuántos tipos de árboles de decisión hay?

Los tipos de árboles de decisión dependen de las variables objetivo. Hay dos tipos de árboles de decisión:

• Árbol de decisión de variables continuas
  
  
  
  
• Árbol de decisión de variables categóricas

Por ejemplo, tenemos que predecir si alguien pagará la prima de renovación a través de su compañía de seguros. Lo que sabemos en este escenario es que los ingresos del cliente son una variable masiva.

Sin embargo, el servicio de seguros no posee todos los detalles de sus clientes. La mayoría de ustedes sabrá que esta variable es crítica. Por lo tanto, podemos desarrollar un árbol de decisiones para predecir los ingresos de un cliente a través de otras variables como los productos y la ocupación. Principalmente especularemos valores para variables continuar

¿Cuáles son los pros y los contras de un árbol de decisión?

Los puntos fuertes

• Los árboles de decisión ofrecen una idea clara de los campos críticos para la clasificación o la predicción
• Un árbol de decisión es capaz de manejar variables categóricas y continuas
• No requieren un exceso de cálculo para realizar las clasificaciones
• Estos árboles pueden generar reglas fácilmente comprensibles

Las debilidades

• Los errores son bastante comunes en los árboles de decisión, en particular cuando se trata de problemas de clasificación y ejemplos de capacitación
• Los árboles de decisión no son una opción ideal si se crean tareas de estimación para predecir el valor de un atributo continuo
• El entrenamiento de un árbol de decisión puede ser bastante costoso desde el punto de vista computacional. Tienes que ordenar el campo de escupitajo del candidato de cada nodo para determinar la división más favorable. Algunos algoritmos utilizan combinaciones que requieren una búsqueda exhaustiva para determinar los pesos de combinación adecuados.
• Podar los algoritmos es bastante costoso, principalmente porque hay que comparar y formar los subárboles.

Ejemplo de análisis de un árbol de decisión

Al calcular la utilidad o el valor esperado de cada decisión en el árbol, puedes minimizar el riesgo y maximizar la probabilidad de obtener un resultado deseado.

Para calcular la utilidad esperada de una decisión, solo debes restar el costo de esa decisión a los beneficios esperados. Los beneficios esperados son iguales al valor total de todos los resultados que puedan derivar de esa decisión, y cada valor se multiplica por la probabilidad de que ocurra. A continuación te mostraremos cómo nosotros calcularíamos estos valores para el ejemplo descrito anteriormente:

Al identificar cuál es el resultado más deseable, es importante tener en cuenta las preferencias de utilidad del encargado de tomar la decisión. Por ejemplo, algunos prefieren opciones de bajo riesgo, mientras que otros están dispuestos a correr riesgos si el beneficio es mayor.

Al usar tu árbol de decisión acompañado por un modelo de probabilidad, puedes emplearlo para calcular la probabilidad condicional de un evento o la probabilidad de que suceda, en el caso de que otro evento ocurra. Para hacerlo, simplemente empieza con el evento inicial, luego sigue la ruta desde ese evento hasta el evento objetivo, y multiplica la probabilidad de cada uno de esos eventos juntos.

De este modo, un árbol de decisión se puede emplear como un diagrama de árbol tradicional, que traza las probabilidades de determinados eventos, como lanzar una moneda dos veces.