Un árbol de decisiones es una herramienta de apoyo con una estructura en forma de árbol que modela los resultados probables, el costo de los recursos, los servicios públicos y las posibles consecuencias. Los árboles de decisión proporcionan una forma de presentar algoritmos Algoritmos (Algos) Los algoritmos (Algos) son un conjunto de instrucciones que se introducen para realizar una tarea.Los algoritmos se introducen para automatizar el comercio para generar ganancias a una frecuencia imposible para un comerciante humano con declaraciones de control condicionales . Incluyen ramas que representan pasos de toma de decisiones que pueden conducir a un resultado favorable.
Figura 1. Árbol de decisión simple (fuente)
La estructura del diagrama de flujo incluye nodos internos que representan pruebas o atributos en cada etapa. Cada rama representa un resultado para los atributos, mientras que el camino desde la hoja hasta la raíz representa reglas para la clasificación.
Los árboles de decisión son una de las mejores formas de algoritmos de aprendizaje basados en varios métodos de aprendizaje. Mejoran los modelos predictivos con precisión, facilidad de interpretación y estabilidad. Las herramientas también son efectivas para ajustar relaciones no lineales, ya que son capaces de resolver desafíos de ajuste de datos, como regresiones y clasificaciones.
Resumen
- Los árboles de decisión se utilizan para manejar conjuntos de datos no lineales de manera eficaz.
- La herramienta del árbol de decisiones se utiliza en la vida real en muchas áreas, como ingeniería, planificación civil, derecho y negocios.
- Los árboles de decisión se pueden dividir en dos tipos; árboles de decisión de variable categórica y variable continua.
Tipos de decisiones
Hay dos tipos principales de árboles de decisión que se basan en la variable objetivo, es decir, árboles de decisión de variable categórica y árboles de decisión de variable continua.
1. Árbol de decisión de variable categórica
Un árbol de decisión de variables categóricas incluye variables objetivo categóricas que se dividen en categorías. Por ejemplo, las categorías pueden ser sí o no. Las categorías significan que cada etapa del proceso de decisión cae en una de las categorías y no hay intermedios.
2. Árbol de decisión de variable continua
Un árbol de decisión de variable continua es un árbol de decisión con una variable objetivo continua. Por ejemplo, el ingreso de una persona cuyo ingreso se desconoce se puede predecir en función de la información disponible, como su ocupación, edad y otras variables continuas.
Aplicaciones de árboles de decisión
1. Evaluación de posibles oportunidades de crecimiento
Una de las aplicaciones de los árboles de decisión consiste en evaluar las oportunidades de crecimiento prospectivo para las empresas basándose en datos históricos. Los datos históricos sobre ventas se pueden utilizar en árboles de decisiones que pueden llevar a realizar cambios radicales en la estrategia de una empresa para ayudar a la expansión y el crecimiento.
2. Usar datos demográficos para encontrar clientes potenciales
Otra aplicación de los árboles de decisión es el uso de datos demográficos. Demografía La demografía se refiere a las características socioeconómicas de una población que las empresas utilizan para identificar las preferencias de productos y los comportamientos de compra de los clientes. Con las características de su mercado objetivo, las empresas pueden crear un perfil para su base de clientes. para encontrar clientes potenciales. Pueden ayudar a simplificar un presupuesto de marketing y a tomar decisiones informadas sobre el mercado objetivo en el que se centra la empresa. En ausencia de árboles de decisión, la empresa puede gastar su mercado de marketing sin tener en cuenta un grupo demográfico específico, lo que afectará sus ingresos generales.
3. Sirviendo como herramienta de apoyo en varios campos
Los prestamistas también utilizan árboles de decisión para predecir la probabilidad de que un cliente no pague un préstamo, aplicando la generación de modelos predictivos utilizando los datos anteriores del cliente. El uso de una herramienta de soporte de árbol de decisiones puede ayudar a los prestamistas a evaluar la solvencia de un cliente para evitar pérdidas.
Los árboles de decisión también se pueden utilizar en la investigación de operaciones en la planificación de la logística y la gestión estratégica Gestión estratégica La gestión estratégica es la formulación e implementación de las principales metas e iniciativas tomadas por la alta dirección de una organización en nombre de ella. Pueden ayudar a determinar las estrategias adecuadas que ayudarán a una empresa a lograr sus objetivos previstos. Otros campos donde se pueden aplicar árboles de decisión incluyen ingeniería, educación, derecho, negocios, salud y finanzas.
Ventajas de los árboles de decisión
1. Fácil de leer e interpretar
Una de las ventajas de los árboles de decisión es que sus resultados son fáciles de leer e interpretar, sin siquiera requerir conocimientos estadísticos. Por ejemplo, cuando se utilizan árboles de decisión para presentar información demográfica sobre los clientes, el personal del departamento de marketing puede leer e interpretar la representación gráfica de los datos sin necesidad de conocimientos estadísticos.
Los datos también se pueden utilizar para generar información importante sobre las probabilidades, los costos y las alternativas a varias estrategias formuladas por el departamento de marketing.
2. Fácil de preparar
En comparación con otras técnicas de decisión, los árboles de decisión requieren menos esfuerzo para la preparación de datos. Los usuarios, sin embargo, necesitan tener la información lista para crear nuevas variables con el poder de predecir la variable objetivo. También pueden crear clasificaciones de datos sin tener que realizar cálculos complejos. Para situaciones complejas, los usuarios pueden combinar árboles de decisión con otros métodos.
3. Se requiere menos limpieza de datos
Otra ventaja de los árboles de decisión es que, una vez que se han creado las variables, se requiere menos limpieza de datos. Los casos de valores perdidos y valores atípicos tienen menos importancia en los datos del árbol de decisión.
Desventajas de los árboles de decisión
1. Naturaleza inestable
Una de las limitaciones de los árboles de decisión es que son en gran medida inestables en comparación con otros predictores de decisiones. Un pequeño cambio en los datos puede resultar en un cambio importante en la estructura del árbol de decisión, lo que puede transmitir un resultado diferente al que obtendrán los usuarios en un evento normal. El cambio resultante en el resultado puede gestionarse mediante algoritmos de aprendizaje automático, como impulsar Boosting Boosting es un algoritmo que ayuda a reducir la varianza y el sesgo en un conjunto de aprendizaje automático. El algoritmo ayuda en la conversión de estudiantes débiles y embolsado Embolsado (Bootstrap Aggregation) El aprendizaje automático de Ensemble se puede categorizar principalmente en embolsado y refuerzo. La técnica de ensacado es útil tanto para regresiones como para estadísticas.
2. Menos eficaz para predecir el resultado de una variable continua
Además, los árboles de decisión son menos efectivos para hacer predicciones cuando el objetivo principal es predecir el resultado de una variable continua. Esto se debe a que los árboles de decisión tienden a perder información al clasificar las variables en varias categorías.
Más recursos
Finance es el proveedor oficial de Certified Banking & Credit Analyst (CBCA) ™ Certificación CBCA ™ La acreditación Certified Banking & Credit Analyst (CBCA) ™ es un estándar global para analistas de crédito que cubre finanzas, contabilidad, análisis de crédito, análisis de flujo de efectivo, modelos de convenios, pagos de préstamos y más. programa de certificación, diseñado para transformar a cualquier persona en un analista financiero de clase mundial.
Para seguir aprendiendo y desarrollando su conocimiento del análisis financiero, recomendamos encarecidamente los recursos financieros adicionales a continuación:
- Eventos independientes Eventos independientes En estadística y teoría de la probabilidad, los eventos independientes son dos eventos en los que la ocurrencia de un evento no afecta la ocurrencia de otro evento
- Plantillas de diagrama de flujo Plantillas de diagrama de flujo Los diagramas de flujo son excelentes para describir los procesos comerciales de manera concisa sin comprometer la estructura y los detalles. A continuación se muestran cuatro plantillas de diagrama de flujo de muestra
- Eventos mutuamente excluyentes Eventos mutuamente excluyentes En estadística y teoría de la probabilidad, dos eventos son mutuamente excluyentes si no pueden ocurrir al mismo tiempo. El ejemplo más simple de mutuamente excluyente
- Diagrama de árbol Diagrama de árbol Un diagrama de árbol se usa en matemáticas, más específicamente, en teoría de probabilidad, como una herramienta para ayudar a calcular y proporcionar una representación visual de
