El documento proporciona información sobre árboles de decisión como una técnica de inteligencia artificial. Define un árbol de decisión como una estructura de árbol similar a un diagrama de flujo donde cada nodo representa una decisión y cada hoja un resultado. Explica que los árboles de decisión se usan comúnmente en problemas de clasificación y regresión en machine learning para predecir variables categóricas o continuas.

1. Prof. Victor Manuel Fuentes Olivares
Ing. Comunicaciones y Electrónica
Maestría: Ingeniería Industrial
Victor_fuenteso@my.unitec.edu.mx

2. Objetivo:
Conocer la técnica de Árbol de decisión en redes neuronales para aplicarla como forma
de inteligencia artificial machine learning.

3. Árbol de decisión en IA
1. Definición
2. Terminologías
3. La relación con Machine
learning
4. ¿Dónde se utiliza?
5. ¿Cómo funciona?

4. 1. Definición:
Un árbol de decisión en Machine Learning es una estructura de árbol similar
a un diagrama de flujo donde un nodo interno representa una característica
(o atributo), la rama representa una regla de decisión y cada nodo hoja
representa el resultado.
Esta estructura tipo diagrama de flujo lo ayuda a tomar decisiones. Es una
visualización como un diagrama de flujo que imita fácilmente el
pensamiento a nivel humano. Es por eso que los árboles de decisión son
fáciles de entender e interpretar.

5. 2. Terminologías
1.Nodo raíz (nodo de decisión superior ): Representa a toda la población o muestra y
esto se divide en dos o más conjuntos homogéneos.
2.División: Es un proceso de división de un nodo en dos o más subnodos.
3.Nodo de decisión: Cuando un subnodo se divide en subnodos adicionales, se llama
nodo de decisión.
4.Nodo de hoja / terminal: Los nodos sin hijos (sin división adicional) se llaman Hoja o
nodo terminal.
5.Poda: Cuando reducimos el tamaño de los árboles de decisión eliminando nodos
(opuesto a la división), el proceso se llama poda.
6.Rama / Subárbol: Una subsección del árbol de decisión se denomina rama o
subárbol.
7.Nodo padre e hijo: Un nodo, que se divide en subnodos se denomina nodo principal
de subnodos, mientras que los subnodos son hijos de un nodo principal.

6. Terminología
•Nodo raíz: población completa o muestra
•Ramificación
•Nodo de decisión
•Nodo terminal y hoja
•Poda
•Rama/sub-árbol
•Nodos padre e hijo

7. 3. Relación con machine learning

8. Los algoritmos de aprendizaje basados ​​en árboles se consideran uno de los mejores y más
utilizados métodos de aprendizaje supervisado.

9. 4. ¿Dónde se utiliza?
• Árboles de decisión puede utilizarse para problemas de clasificación y regresión.

11. 5. ¿Cómo funciona? Ejemplos
Problemas de tipo regresión
Los problemas de tipo regresión son generalmente aquellos en los que intentamos
predecir los valores de una variable continua a partir de una o más variables predictoras
categóricas .
Por ejemplo, podemos querer predecir los precios de venta de casas unifamiliares (una
variable dependiente continua) a partir de varios otros predictores continuos (p. Ej., Pies
cuadrados) así como predictores categóricos (por ejemplo, estilo de hogar, como rancho, dos
pisos, etc., código postal o código de área telefónica donde se encuentra la propiedad, etc.,
tenga en cuenta que esta última variable sería de naturaleza categórica, aunque contendría
datos numéricos valores o códigos).
Si utilizamos la regresión múltiple simple, o algún modelo lineal general ( GLM ) para predecir
los precios de venta de viviendas unifamiliares, determinaríamos una ecuación lineal para
estas variables que puede usarse para calcular los precios de venta pronosticados

12. Problemas de tipo de clasificación
Los problemas de tipo de clasificación generalmente son aquellos en los que
intentamos predecir los valores de una variable dependiente categórica (clase,
pertenencia a grupos, etc.) a partir de una o más variables predictoras continuas y / o .
Por ejemplo, podemos estar interesados ​​en predecir quién se quedará o no de la
universidad, o quién renovará o no una suscripción. Estos serían ejemplos de
problemas simples de clasificación binaria, donde la variable dependiente categórica
solo puede asumir dos valores distintos y mutuamente excluyentes.

21. Fuentes de información
H. M. Schmid, A. Bazzon, J. Milli, et al.: SPHERE/ZIMPOL observations of the symbiotic system R Aquarii-I.
Imaging of the stellar binary and the innermost jet clouds. A&A Vol. 602, p. A53 (2017)
Gaia Collaboration, T. Prusti, J. H. J. de Bruijne, A. G. A. Brown, A. Vallenari, C. Babusiaux, C. A. L. Bailer-
Jones, U. Bastian, M. Biermann, D. W. Evans, et al.: The gaia mission. A&A 595, p A1 (2016)
Keller, C. A., Evans, M. J.: Application of random forest regression to the calculation of gas-phase chemistry
within the GEOS-Chem chemistry model v10. Geoscientific Model Development, 12(3), 1209–1225 (2019)