Equipo 2: Árbol de Decisión

ÁRBOL DE DECISIÓN

QUE ES?

Un árbol de decisión es un modelo de predicción utilizado en el ámbito de la inteligencia artificial. Dada una base de datos se construyen diagramas de construcciones lógicas, muy similares a los sistemas de predicción basados en reglas, que sirven para representar y categorizar una serie de condiciones que ocurren de forma sucesiva, para la resolución de un problema.

Un árbol de decisión tiene unas entradas las cuales pueden ser un objeto o una situación descrita por medio de un conjunto de atributos y a partir de esto devuelve una respuesta la cual en últimas es una decisión que es tomada a partir de las entradas. Los valores que pueden tomar las entradas y las salidas pueden ser valores discretos o continuos. Se utilizan más los valores discretos por simplicidad, cuando se utilizan valores discretos en las funciones de una aplicación se denomina clasificación y cuando se utilizan los continuos se denomina regresión.

Un árbol de decisión lleva a cabo un test a medida que este se recorre hacia las hojas para alcanzar así una decisión. El árbol de decisión suele contener nodos internos, nodos de probabilidad, nodos hojas y arcos. Un nodo interno contiene un test sobre algún valor de una de las propiedades. Un nodo de probabilidad indica que debe ocurrir un evento aleatorio de acuerdo a la naturaleza del problema, este tipo de nodos es redondo, los demás son cuadrados. Un nodo hoja representa el valor que devolverá el árbol de decisión y finalmente las ramas brindan los posibles caminos que se tienen de acuerdo a la decisión tomada.

En el diseño de aplicaciones informáticas, un árbol de decisión indica las acciones a realizar en función del valor de una o varias variables. Es una representación en forma de árbol cuyas ramas se bifurcan en función de los valores tomados por las variables y que terminan en una acción concreta. Se suele utilizar cuando el número de condiciones no es muy grande (en tal caso, es mejor utilizar una tabla de decisión).

Tipos de árboles

Dependiendo de la situación y del resultado deseado, existen varios tipos de árboles de decisión tales como:

• Árbol de Clasificación: Usa un árbol de clasificación cuando existan diferentes partes de información que hayas calculado para determinar el resultado más predecible. Con el árbol de decisión por clasificación debes usar un proceso binario de categorías y subcategorías para esquematizar las diferentes variables que rodean a un resultado. Este tipo de árbol puede emplearse en probabilidad y estadística.

• Árbol de Regresión: Este tipo de árbol de decisión se usa cuando tienes diferentes partes de información para determinar un único resultado predeterminado. Durante el proceso de construir este árbol debes dividir las diferentes partes de información en secciones y luego subdividir en varios subgrupos. Este tipo de árbol es usado principalmente en cálculos de bienes raíces.

• Árbol de Mejora: Este tipo de árbol de decisión se usa cuando quieres incrementar la precisión del proceso de toma de decisiones. Para esto debes tomar una sola variable y luego calcularla y estructurarla de manera que la cantidad de errores se minimicen tanto como sea posible. Esto crea información más precisa, debido a que habrás eliminado los errores tanto como se pueda. Este tipo de árbol se usa principalmente en contabilidad y matemáticas

Ventajas

1. Toma las ventajas de la estructura consecutiva de las ramas del árbol de decisión, de tal forma que se identifican de manera inmediata el orden de verificación de las condiciones y las acciones que se deben llevar a cabo.
2. Las condiciones y las acciones del árbol de decisión se encuentran en ciertas ramas pero no en otras, a diferencia de las tablas de decisión, donde todas forman parte de la misma tabla.
3. Al compararse con las tablas los árboles de decisión se entienden con más facilidad en una organización y son apropiadas como un método de comunicación.
4. Plantea el problema para que todas las opciones sean analizadas.
5. Analiza las consecuencias de llevar a cabo una alternativa.
6. Facilita la interpretación de la decisión adoptada.
7. Muestra un esquema de coste de las distintas alternativas
8. Nos lleva a adoptar la mejor alternativa con la información existente

Desventajas

1. Las reglas de asignación son bastante sencillas a pequeñas perturbaciones en los datos.
2. Dificultad para elegir un árbol óptimo.
3. Ausencia de una función global de las variables y por lo tanto pérdida de la representación.
4. Los árboles de decisión requieren un gran número de datos de los que muchas veces no disponemos.

Limitaciones

• El método es válido si el decisor utiliza como criterio decisor maximizar el valor esperado.
• El método exige que el decisor pueda soportar el riesgo de ruina.

VÍDEOS