Arbol De Desicion

I. Introducción

Cuando un proceso de decisión estructurada se integra con ramificaciones complejas, entonces se hace uso de los árboles de decisión. Los árboles de decisión se dibujan sobre un plano horizontal, con la raíz del árbol al lado izquierdo del papel y las ramas hacia la derecha. Esto permite al analista describir las condiciones de acciones sobre las ramas.

Cuando se dibujan los árboles de decisión es útil distinguir entre las condiciones y las acciones.

Para este propósito, el uso de un nodo cuadrado indica una acción y un círculo representa una condición, tal y como se representa a continuación:

[pic]

El árbol de decisión tiene tres ventajas principales sobre la tabla de decisiones:

[pic]Primera, es que 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.

[pic]Segundo, las condiciones y acciones del árbol de decisión se encuentran en ciertas ramas pero no en otras, a diferencia de las tablas de decisiones, donde todas forman parte de la misma tabla.

[pic]Tercero, al compararse con las tablas los árboles de decisión se entienden con más facilidad en una organización y son apropiados como un método de comunicación.

IV. Contenido

Árboles de decisión. Técnica que permite analizar decisiones secuenciales basada en el uso de resultados y probabilidades asociadas.

Los árboles de decisión se pueden usar para generar sistemas expertos, búsquedas binarias y árboles de juegos, los cuales pueden ser empelados en diferentes áreas.

Algunas otras ventajas de los árboles de decisión son:

• Resume los ejemplos de partida, permitiendo la clasificación de nuevos casos siempre y cuando no existan modificaciones sustanciales en las condiciones bajo las cuales se generaron los ejemplos que sirvieron para su construcción.

• Facilita la interpretación de la decisión adoptada.

• Proporciona un alto grado de comprensión del conocimiento utilizado en la toma de decisiones.

• Explica el comportamiento respecto a una determinada tarea de decisión.

• Reduce el número de variables independientes.

• Es una magnifica herramienta para el control de la gestión empresarial.

Ejemplos y aplicaciones

Los árboles de decisión se utilizan en cualquier proceso que implique toma de decisiones, por ejemplo:

• Búsqueda binaria

• Sistemas expertos

• Árboles de juegos

Los árboles de decisión generalmente son binarios, es decir, que cuentan con dos opciones, aunque esto no es una limitante, ya que de igual manera pueden existir árboles de decisión con más de 3 opciones.

Un ejemplo es descrito por los valores de los atributos y el valor del predicado meta. El valor del predicado meta se le llama la clasificación del ejemplo.

Si el predicado es verdadero, entonces el ejemplo es positivo, sino el ejemplo es negativo.

En caso de existir más clases, los ejemplos de una sola clase son positivos y el resto de los ejemplos son considerados negativos.

Cuando se tiene un conjunto de ejemplos (datos), normalmente se divide aleatoriamente en dos subconjuntos. Uno de entrenamiento (con el cual se construye la hipótesis) y otro de prueba (con el que se prueba la hipótesis encontrada).

Más formalmente:

1. Junta una gran cantidad de ejemplos

2. Divídelos en dos conjuntos disjuntos: entrenamiento y prueba

3. Usa el algoritmo de aprendizaje para generar una hipótesis [pic]

4. Mide el porcentaje de clasificación correcta de [pic]en el conjunto de prueba

5. Repite los pasos 1 - 4 para diferentes tamaños de conjuntos de entrenamiento y diferentes conjuntos seleccionados aleatoriamente

Encontrar un árbol puede ser trivial (construir un camino por cada ejemplo). Sin embargo, no es bueno para predecir casos no vistos. El problema es que sólo memoriza lo visto, por lo que no extrae ningún patrón de los ejemplos (por lo que no podemos esperar que extrapole).

El extraer un patrón significa el poder describir una gran cantidad de ejemplos en forma concisa. Esto también sigue un principio general en los algoritmos de inducción llamada: Ockham's razor: dar preferencia a hipótesis más simples

...