Summary  
A Decision Tree is a model that recursively splits data at decision nodes based on feature values, directing each branch until leaf nodes assign a class label.  

General domain of usage  
Classification in machine learning

Para muchos problemas de la vida real, se puede construir un **árbol de decisión**. En un árbol de decisión, se plantea una pregunta (**nodo de decisión**) y, según la respuesta, se llega a una decisión (**nodo hoja**) o se plantean más preguntas (nodo de decisión), y así sucesivamente.

A continuación, un ejemplo de prueba de pato/no pato:

Aplicar la misma lógica a los datos de entrenamiento permite derivar uno de los algoritmos más importantes de aprendizaje automático, que puede utilizarse **tanto para tareas de regresión como de clasificación**. En este curso, se abordará la clasificación.

El siguiente video ilustra su funcionamiento:

En el video anterior, 'Classes' muestra el **número de muestras de datos de cada clase** en un nodo. Por ejemplo, el nodo raíz contiene todas las muestras de datos (4 'cookies', 4 'not cookies'). Y el nodo hoja a la izquierda tiene solo 3 'not cookies'.

Nota

Con cada nodo de decisión, se busca dividir los datos de entrenamiento para que los puntos de datos de cada clase queden separados en **sus propios nodos hoja**.
  
Un árbol de decisión también maneja la **clasificación multiclase** con facilidad:

El **clasificación con múltiples características** también puede ser gestionado por el árbol de decisión. Ahora cada nodo de decisión puede dividir los datos utilizando cualquiera de las características.

En el video anterior, el conjunto de entrenamiento se escala utilizando `StandardScaler`. **No** es necesario para el Árbol de Decisión. Funcionará igual de bien con los **datos no escalados**. Sin embargo, el escalado mejora el rendimiento de todos los demás algoritmos, por lo que es recomendable añadir siempre el escalado en el preprocesamiento.

Domina los algoritmos de clasificación fundamentales que impulsan el aprendizaje automático moderno. Explora cómo modelos como k-NN, regresión logística, árboles de decisión y bosques aleatorios realizan predicciones, evalúan su precisión y comprende cuándo utilizar cada uno. Desarrolla las habilidades para comparar modelos y seleccionar el más adecuado para tus datos.

Descubra cómo el algoritmo de los k vecinos más cercanos realiza predicciones basadas en la similitud. Aprenda a manejar múltiples características, ajustar parámetros y aplicar validación cruzada para mejorar la precisión.

Comprender cómo la regresión logística modela probabilidades y clasifica resultados.
Practicar la implementación, la interpretación de fronteras de decisión y la aplicación de regularización para prevenir el sobreajuste.

Aprenda cómo los árboles de decisión dividen los datos en grupos significativos según los valores de las características. Explore cómo parámetros como la profundidad del árbol y el número mínimo de muestras por hoja afectan el rendimiento y la generalización del modelo.

Explora cómo los bosques aleatorios combinan múltiples árboles de decisión para mejorar la precisión y la robustez. Comprende el papel de la aleatoriedad y aplica este método de conjunto a datos del mundo real.

Evaluación de modelos utilizando métricas como exactitud, precisión, exhaustividad y puntuación F1.
Interpretación de matrices de confusión y comparación de múltiples clasificadores para identificar el modelo de mejor desempeño.

Qué es un Árbol de Decisión