Lección 11 del curso Árboles de Decisión.
En el módulo anterior vimos las principales técnicas que usualmente tendremos a mano cuando queremos reducir el «overfitting» o sobre-ajuste de un árbol de decisión: la poda y el ajuste de hiperparámetros del árbol.
Así que en este punto ya tenemos prácticamente todos los conceptos y herramientas prácticas esenciales para poder usar los árboles de regresión y clasificación. Lo único que nos queda en este curso es ver las principales ventajas y desventajas de estos árboles para de esta forma entender en qué tipos de problemas resulta aconsejable usar los árboles de decisión y cuándo no. Éste será precisamente el tema de este último módulo del curso.
Y específicamente en esta penúltima lección veremos las principales ventajas que ofrecen los árboles de decisión frente a otros modelos de Machine Learning:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Como acabamos de ver, la principal ventaja de los árboles de decisión (tanto de regresión como de clasificación) es su interpretabilidad. Y como parte de esta interpretabilidad podemos calcular lo que se conoce como la «importancia de las características» (o feature importances) que nos permite cuantificar el impacto de cada característica en las predicciones generadas por el árbol.
Adicionalmente, en los árboles de decisión no resulta necesario realizar el escalamiento de datos antes de introducirlos al modelo y además estos árboles pueden incluso ser alimentados con datos faltantes.
Teniendo claras estas ventajas de estos árboles, en la próxima lección, la última de este curso, veremos cuáles son las limitaciones de los árboles de decisión y en qué tipos de problemas resulta recomendable usarlos y cuando no.
Todas las lecciones del curso Árboles de Decisión