Árboles de decisión y bosques aleatorios
Un árbol de decisiones hace predicciones haciendo una serie de preguntas simples de sí o no, como un diagrama de flujo.
Descripción general
A random forest combines hundreds of such trees and lets them vote, which is far more accurate and robust.
Buceo profundo
Un árbol de decisión divide los datos paso a paso: en cada nodo selecciona la característica y el umbral que mejor separan los resultados, luego se bifurca hasta alcanzar una predicción en una hoja. Los árboles son populares porque son fáciles de leer; puede rastrear exactamente por qué se tomó una decisión. Su debilidad es el sobreajuste, donde un árbol profundo memoriza el ruido y predice mal los nuevos datos. Los bosques aleatorios solucionan este problema entrenando muchos árboles en subconjuntos aleatorios de datos (una técnica llamada embolsado) y subconjuntos aleatorios de características en cada división. Los árboles cometen diferentes errores, por lo que promediar sus votos anula los errores individuales. El resultado es uno de los algoritmos más confiables y de bajo ajuste para datos tabulares, ampliamente utilizado antes de llegar al aprendizaje profundo.
Información técnica
Cada división se elige para maximizar la "pureza". Los árboles de clasificación minimizan la impureza o la entropía de Gini; Los árboles de regresión minimizan la varianza (error al cuadrado). Los bosques aleatorios agregan dos fuentes de aleatoriedad: muestreo de arranque (cada árbol ve una muestra aleatoria extraída con reemplazo) y selección aleatoria de características en cada división. Esto descorrelaciona los árboles, por lo que su predicción promediada tiene una varianza mucho menor que la de cualquier árbol individual, sin generar mucho sesgo. Las muestras listas para usar, que se dejan fuera del arranque de cada árbol, brindan una estimación de validación incorporada.
Impacto Estratégico
Decisiones más claras
Le ayuda a separar las afirmaciones técnicas claras del lenguaje de marketing.
Costo y presupuesto
Puede hacer mejores preguntas sobre implementación antes de gastar dinero o tiempo.
Equipo y flujo de trabajo
Los equipos con conocimientos compartidos toman mejores decisiones sobre productos, políticas y aprendizaje.
El futuro de los árboles de decisión y los bosques aleatorios
Los bosques aleatorios simples siguen siendo una base de referencia, pero el foco de atención se ha desplazado hacia los árboles potenciados por gradiente como XGBoost, LightGBM y CatBoost, que construyen árboles secuencialmente para corregir errores anteriores y, a menudo, encabezan las competencias de datos tabulares. Estos conjuntos de árboles siguen superando a las redes neuronales en muchos conjuntos de datos estructurados. Espere un trabajo continuo en velocidad, capacitación de GPU y, especialmente, herramientas de explicabilidad como SHAP, ya que la interpretabilidad es una razón clave por la que las industrias reguladas siguen eligiendo modelos basados en árboles en lugar del aprendizaje profundo de caja negra.
Implementación en el mundo real
Calificación crediticia y aprobación de préstamos, donde los bancos valoran un camino de decisión claro y auditable.
Predicción de riesgos médicos que señala qué factores del paciente impulsaron un diagnóstico o alerta.
Predicción de pérdida de clientes a partir de datos tabulares de cuenta y uso.
Análisis de importancia de características para clasificar qué variables son más importantes en un conjunto de datos.
Riesgos y barandillas
Diferentes equipos pueden usar el mismo término de manera diferente, por lo tanto, defina el alcance con anticipación.
Los puntos de referencia pueden parecer sólidos, mientras que el desempeño en el mundo real es desigual.
Ignorar la calidad de los datos y los planes de evaluación a menudo genera resultados frágiles.
Hoja de ruta de implementación
Comience con una definición en lenguaje sencillo del resultado que necesita.
Elija una métrica de éxito y una condición de fracaso antes de realizar la prueba.
Ejecute un pequeño piloto con datos representativos, no un conjunto de demostración pulido.
Documente dónde ayudan los árboles de decisión y los bosques aleatorios y dónde son mejores los métodos más simples.
Sigue explorando
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Decision Trees and Random Forests quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Siguiente guía
Toma de decisiones con IA
Preguntas frecuentes
What is Decision Trees and Random Forests?
Un árbol de decisiones hace predicciones haciendo una serie de preguntas simples de sí o no, como un diagrama de flujo. Un bosque aleatorio combina cientos de estos árboles y les permite votar, lo que es mucho más preciso y sólido.
¿Cómo hace un árbol de decisión una predicción?
Un árbol de decisión dirige una entrada a través de preguntas ramificadas sobre sus características hasta que llega a una hoja que da la predicción.
¿Cuál es la principal debilidad de un árbol de decisión único y profundo?
Los árboles profundos pueden ajustarse demasiado a los datos de entrenamiento, capturando el ruido y generalizando mal a nuevos ejemplos.
¿Cómo mejora un bosque aleatorio en un solo árbol?
Al entrenar muchos árboles no correlacionados y promediarlos o votarlos, un bosque anula los errores de los árboles individuales y reduce el sobreajuste.
¿A qué se refiere "embolsado" en bosques aleatorios?
El embolsado (agregación de arranque) le da a cada árbol una muestra aleatoria extraída con reemplazo, por lo que los árboles difieren y su promedio es más estable.
¿Qué métrica utilizan habitualmente los árboles de clasificación para elegir una división?
Los árboles de clasificación seleccionan las divisiones que más reducen la impureza o la entropía de Gini, medidas de cuán mezcladas están las clases en un nodo.