Los árboles de decisión y los conjuntos de árboles son algoritmos de aprendizaje poderosos utilizados en muchas aplicaciones y también para ganar competencias de aprendizaje automático. "Es una herramienta que vale la pena tener en tu caja de herramientas."[1]
"Los árboles de decisión (DTs) son un método de aprendizaje supervisado no paramétrico utilizado para clasificación y regresión. El objetivo es crear un modelo que prediga el valor de una variable objetivo aprendiendo reglas de decisión simples inferidas a partir de las características de los datos."[2]
"Un árbol de decisión es una estructura similar a un diagrama de flujo en la que cada nodo interno representa una 'prueba' sobre un atributo (por ejemplo, si una moneda cae cara o cruz), cada rama representa el resultado de la prueba y cada nodo hoja representa una etiqueta de clase (decisión tomada después de evaluar todos los atributos). Los caminos desde la raíz hasta la hoja representan las reglas de clasificación."[3]
"Los árboles de decisión en aprendizaje automático proporcionan un método eficaz para tomar decisiones porque presentan el problema y todos los posibles resultados. Permite a los desarrolladores analizar las posibles consecuencias de una decisión y, a medida que el algoritmo accede a más datos, puede predecir resultados para datos futuros."[4]
Los árboles de decisión son útiles para descomponer datos complejos en partes manejables.
[1] Andrew Ng, Stanford University & DeepLearning.AI, Especialización en Machine Learning, Curso 2, Semana 4
[2] Árbol, scikit-learn.org
[3] Árbol de decisión, Wikipedia
[4] Árbol de decisión, Machine Learning, Coursera