Semana 9

¿Qué es un árbol de decisiones en el análisis predictivo?

• Un árbol de decisiones es un modelo que representa decisiones y sus consecuencias en forma de árbol.

• Un árbol de decisiones es un algoritmo de búsqueda.

• Un árbol de decisiones es un tipo de planta.

• Un árbol de decisiones es un gráfico de barras.

¿Cuáles son las principales ventajas de usar árboles de decisiones?

• Facilidad de interpretación, manejo de diferentes tipos de datos, bajo preprocesamiento, robustez ante datos faltantes e identificación de interacciones.

• No maneja datos faltantes

• Requiere datos homogéneos

• Alta complejidad en la interpretación

¿Qué librería de Python se utiliza comúnmente para implementar árboles de decisiones?

• matplotlib

• numpy

• pandas

• scikit-learn

¿Cómo se divide un nodo en un árbol de decisiones?

• Se combinan todos los nodos en uno solo.

• Se ordenan los datos de manera aleatoria.

• Se selecciona una característica y se divide el conjunto de datos en función de sus valores.

• Se elige un nodo y se eliminan los datos relacionados.

¿Qué función se utiliza en Scikit-learn para crear un árbol de decisiones?

• RandomForestClassifier

• KNeighborsClassifier

• DecisionTreeClassifier

• DecisionTreeRegressor

¿Qué criterios se pueden usar para la división de nodos en un árbol de decisiones?

• Ganancia de información, impureza de Gini, reducción de la varianza, entropía.

• Tasa de error

• Precisión de clasificación

• Número de nodos

¿Cómo se evalúa la precisión de un modelo de árbol de decisiones?

• Se determina a través de la complejidad del algoritmo utilizado.

• Se mide únicamente por el tiempo de entrenamiento del modelo.

• Se evalúa solo con la cantidad de nodos en el árbol.

• Se evalúa mediante métricas como la exactitud y la matriz de confusión.

¿Qué es el sobreajuste y cómo se puede evitar en árboles de decisiones?

• El sobreajuste es un método de validación de modelos.

• El sobreajuste es el ajuste excesivo a los datos de entrenamiento; se puede evitar mediante la poda, limitando la profundidad del árbol o estableciendo un mínimo de muestras por hoja.

• El sobreajuste mejora la precisión en datos no vistos.

• Se puede evitar aumentando el tamaño del conjunto de entrenamiento.

¿Qué parámetros se pueden ajustar al crear un árbol de decisiones en Python?

• 'alpha', 'beta', 'gamma'

• 'learning_rate', 'n_estimators', 'subsample'

• Parámetros ajustables incluyen 'criterion', 'max_depth', 'min_samples_split', y 'min_samples_leaf'.

• 'max_features', 'min_weight_fraction_leaf', 'splitter'

¿Cómo se visualiza un árbol de decisiones en Python?

• Implementar el árbol de decisiones sin librerías externas.

• Visualizar el árbol de decisiones con 'numpy'.

• Utilizar 'graphviz' y 'scikit-learn' para visualizar el árbol de decisiones.

• Usar 'matplotlib' para crear gráficos de barras.