Árboles de decisión

Son modelos predictivos utilizados tanto para clasificación como para regresión en el ámbito del aprendizaje automático.

Operan estructurando un conjunto de decisiones en forma jerárquica, representando las decisiones en forma de nodos y las posibles alternativas o resultados en ramas.

Cada nodo interno representa una prueba sobre un atributo, cada rama una conclusión del resultado de esa prueba, y cada nodo hoja una etiqueta de clase o valor final.

Se construyen empleando algoritmos como ID3, C4.5, CART, entre otros, que seleccionan las características más relevantes para realizar una división en cada nodo.

Ofrecen interpretabilidad y facilidad de visualización, lo que permite entender cómo llegan a una predicción o decisión en función de las características de los datos.

Son propensos al sobreajuste, especialmente con datos ruidosos o conjuntos pequeños, aunque métodos como la poda o enfoques como los bosques aleatorios ayudan a mitigar este problema.

Se usan ampliamente en sectores como finanzas, salud y marketing para toma de decisiones o análisis predecible.