Arbol De Deciciones

Índice Página

I. Introducción 2

II. Objetivos 3

III. Metodología y técnica de investigación 3

VI. Marco Teórico 4

V. Conclusiones 10

VI. Bibliografía 11

I. Introducción

Cuando un proceso de decisión estructurada se integra con ramificaciones complejas, entonces se hace uso de los árboles de decisión. Los árboles de decisión se dibujan sobre un plano horizontal, con la raíz del árbol al lado izquierdo del papel y las ramas hacia la derecha. Esto permite al analista describir las condiciones de acciones sobre las ramas.

Cuando se dibujan los árboles de decisión es útil distinguir entre las condiciones y las acciones.

Para este propósito, el uso de un nodo cuadrado indica una acción y un círculo representa una condición, tal y como se representa a continuación:

[pic]

El árbol de decisión tiene tres ventajas principales sobre la tabla de decisiones:

[pic]Primera, es que toma las ventajas de la estructura consecutiva de las ramas del árbol de decisión, de tal forma que se identifican de manera inmediata el orden de verificación de las condiciones y las acciones que se deben llevar a cabo.

[pic]Segundo, las condiciones y acciones del árbol de decisión se encuentran en ciertas ramas pero no en otras, a diferencia de las tablas de decisiones, donde todas forman parte de la misma tabla.

[pic]Tercero, al compararse con las tablas los árboles de decisión se entienden con más facilidad en una organización y son apropiados como un método de comunicación.

II. Objetivos

Objetivo general

• Analizar la importancia de los árboles de decisión en la recuperación y organización de la información.

Objetivos específicos

• Determinar las ventajas de los árboles de decisión.

• Establecer la importancia de los árboles de decisión dentro de una organización.

• Aplicabilidad de los árboles de decisión en las empresas.

• Reconocer a los árboles de decisión como una herramienta práctica y de valor agregado dentro de una institución.

III. Metodología y técnica de investigación

La investigación se llevo a cabo a través de la indagación en diversas páginas web, las cuales presentan información de calidad justificada en libros de diferentes autores.

La principal técnica aplicada en el trabajo de investigación consistió en resumen y síntesis de toda la información recavada.

IV. Marco Teórico

Árboles de decisión. Técnica que permite analizar decisiones secuenciales basada en el uso de resultados y probabilidades asociadas.

Los árboles de decisión se pueden usar para generar sistemas expertos, búsquedas binarias y árboles de juegos, los cuales pueden ser empelados en diferentes áreas.

Algunas otras ventajas de los árboles de decisión son:

• Resume los ejemplos de partida, permitiendo la clasificación de nuevos casos siempre y cuando no existan modificaciones sustanciales en las condiciones bajo las cuales se generaron los ejemplos que sirvieron para su construcción.

• Facilita la interpretación de la decisión adoptada.

• Proporciona un alto grado de comprensión del conocimiento utilizado en la toma de decisiones.

• Explica el comportamiento respecto a una determinada tarea de decisión.

• Reduce el número de variables independientes.

• Es una magnifica herramienta para el control de la gestión empresarial.

Ejemplos y aplicaciones

Los árboles de decisión se utilizan en cualquier proceso que implique toma de decisiones, por ejemplo:

• Búsqueda binaria

• Sistemas expertos

• Árboles de juegos

Los árboles de decisión generalmente son binarios, es decir, que cuentan con dos opciones, aunque esto no es una limitante, ya que de igual manera pueden existir árboles de decisión con más de 3 opciones.

Un ejemplo es descrito por los valores de los atributos y el valor del predicado meta. El valor del predicado meta se le llama la clasificación del ejemplo.

Si el predicado es verdadero, entonces el ejemplo es positivo, sino el ejemplo es negativo.

En caso de existir más clases, los ejemplos de una sola clase son positivos y el resto de los ejemplos son considerados negativos.

Cuando se tiene un conjunto de ejemplos (datos), normalmente se divide aleatoriamente en dos subconjuntos. Uno de entrenamiento (con el cual se construye la hipótesis) y otro de prueba (con el que se prueba la hipótesis encontrada).

Más formalmente:

1. Junta una gran cantidad de ejemplos

2. Divídelos en dos conjuntos disjuntos: entrenamiento y prueba

3. Usa el algoritmo de aprendizaje para generar una hipótesis [pic]

4. Mide el porcentaje de clasificación correcta de [pic]en el conjunto de prueba

5. Repite los pasos 1 - 4 para diferentes tamaños de conjuntos de entrenamiento y diferentes conjuntos seleccionados aleatoriamente

Encontrar

...