Skip to Content
Home └Fundamentos de Inteligencia Artificial y Machine Learning └Árboles de decisión, Random Forest y Boosting

Fundamentos de Inteligencia Artificial y Machine Learning

0 %

Completed

Course content

Árboles de decisión, Random Forest y Boosting

Prev Next
Fullscreen Share

Los árboles de decisión son modelos interpretables que dividen los datos con preguntas sucesivas (if/else).

Árboles de decisión, Random Forest y Boosting
Esquema de «Árboles de decisión, Random Forest y Boosting»: Árbol de decisión · Random Forest (ensamble) · Boosting (XGBoost, LightGBM)

Un árbol decide solo; un bosque aleatorio combina muchos.

Árbol de decisión

  • Cada nodo plantea una condición (¿ingreso > 30k?).
  • Las hojas son el resultado (aprobar / rechazar).
  • Ventaja: fáciles de explicar. Riesgo: sobreajuste.

Random Forest (ensamble)

Combina muchos árboles entrenados con subconjuntos aleatorios de datos y de variables, y vota (clasificación) o promedia (regresión). Reduce la varianza y el sobreajuste.

Boosting (XGBoost, LightGBM)

Entrena árboles en secuencia, donde cada nuevo árbol corrige los errores del anterior. Suele ser el mejor en datos tabulares.

ANALOGÍA

un árbol = un solo experto. Un bosque aleatorio = cientos de expertos que votan. Boosting = expertos que se van especializando en lo que el anterior falló.

Rating
0 0

There are no comments for now.

Join this Course
to be the first to leave a comment.