Introducción
El aprendizaje automático explicable (XML) [39] es un subcampo dentro de la ciencia de datos y la inteligencia artificial (IA). Aclara cómo los modelos de aprendizaje automático hacen predicciones. Para que cualquier modelo califique como XML, debe evaluarse en función de su transparencia, interpretabilidad y explicabilidad. Recientemente, se han realizado muchos esfuerzos para sacar los modelos de IA y aprendizaje profundo del ámbito de la "caja negra" convencional. Actualmente, las estructuras basadas en árboles preferidas, como los bosques aleatorios y los árboles de decisión de conjuntos potenciados por gradientes, también se están investigando para cumplir con los criterios XML [29], [40].
Aunque los términos "interpretabilidad" y "explicabilidad" a menudo se usan indistintamente, existe una diferencia sustancial entre ellos [33], [23]. En pocas palabras, la explicabilidad tiene un umbral más bajo que la interpretabilidad. Un modelo es explicable si con técnicas adicionales podemos entender cómo una parte específica de un modelo complejo hace predicciones [30], [41], [19]. Un modelo de aprendizaje automático interpretable es aquel en el que cada una de sus partes se puede entender por sí sola y, por lo tanto, es explicable. Sin embargo, una distinción tan simple es vaga y no refleja la realidad, ya que el límite entre la explicabilidad y la interpretabilidad no está bien definido. En este espectro, cuanto mayor sea la interpretabilidad del modelo, más fácil será entender por qué se han tomado ciertas decisiones y predecir consistentemente el resultado del modelo [35].
Los árboles de decisión (DT), que a menudo se consideran interpretables y se explican por sí mismos, se exploran constantemente a pesar de más de 50 años de investigación [28], [27]. En este artículo, nos concentramos en árboles modelo, que son un tipo específico de DT diseñados para resolver problemas de regresión. Inducir tales árboles, donde los valores constantes en las hojas se reemplazan por funciones de regresión lineales (o no lineales), es una tarea más desafiante. Tenga en cuenta que la generación de modelos de regresión en cada nodo terminal se realiza solo en una fracción de los datos que llegaron a esa hoja. Por lo tanto, dichos modelos deben diseñarse con mucha precaución para evitar un ajuste excesivo.
En general, lasso (Operador de Selección y Contracción Mínima Absoluta) [44] es un método de análisis de regresión de última generación. Realiza la regularización del modelo y la selección de características/eliminación de parámetros y mejora la generalización general, la precisión y la simplicidad. Nuestra idea es regularizar los coeficientes de todos los modelos de regresión lineal múltiple en las hojas durante la búsqueda evolutiva. En otras palabras, a lo largo de cientos o incluso miles de bucles evolutivos, las docenas de árboles que forman la población y sus numerosos nodos terminales, los atributos más importantes para el modelo lineal podrían seleccionarse automáticamente utilizando un estimador de lazo integrado en un operador de tipo memético.
Extensos experimentos muestran que la solución propuesta llamada Global Lasso Tree (GLT) es significativamente más preciso que los árboles modelo competitivos generados por métodos globales y codiciosos. La regresión de lazo nos permite dirigir la interpretabilidad de los árboles de decisión involucrando solo los atributos superiores en los modelos lineales en las hojas. A pesar de calcular miles de modelos de regresión y regularizaciones de lazo, la mayor complejidad computacional del algoritmo se ve parcialmente compensada por su convergencia más rápida.
Uno de los principales cambios propuestos para los DT en los últimos años se refiere al proceso de inducción que tradicionalmente se ha basado en una estrategia de partición recursiva [24]. Este proceso de arriba hacia abajo comienza en el nodo raíz donde se determina la división (prueba) localmente óptima en función de una medida dada de optimización. Luego, las instancias de capacitación se dirigen a los nodos recién creados y el proceso se repite hasta que se cumple una condición de detención. La poda posterior [15] a menudo se aplica después de la inducción para evitar el sobreajuste de los datos de entrenamiento y mejorar la capacidad de generalización del modelo. Los sistemas basados en árboles más reconocidos utilizados para la regresión son CART [4] yMETRO5 [37]. Ambos algoritmos tienen como objetivo encontrar la mejor división en cada nodo no terminal que reduzca la suma de los residuos al cuadrado. Los nodos terminales en CART están representados por la media de los datos de entrenamiento que les llegan, mientras que el sistema M5 intenta ajustar una regresión lineal múltiple. También existen soluciones más complejas, como SMOTI [31] que crea modelos de árboles oblicuos colocando los modelos de regresión no solo en las hojas, sino también en las partes superiores del árbol. Todos los métodos mencionados utilizan una estrategia codiciosa para inducir árboles, que es rápida y generalmente efectiva, pero a menudo solo da como resultado soluciones localmente óptimas.
Para limitar el impacto de las divisiones subóptimas, se ha demostrado que los enfoques alternativos basados en técnicas de computación evolutiva, como los algoritmos evolutivos (EA) [32] o la optimización de colonias de hormigas, ofrecen árboles más adecuados, más estables y más simples [3], [25]. La fuerza de involucrar algoritmos de optimización metaheurística radica en una búsqueda global en la que la estructura de árbol y las pruebas en los nodos internos se buscan simultáneamente. La mayor parte de la literatura se centra en los árboles de clasificación inducidos por la evolución, que son mucho menos complejos que los árboles modelo [2]. Entre los inductores de árboles de regresión populares, podemos encontrar un árbol tipo CART con operadores genéticos simples llamado TARGET [16] y el sistema E-Motion [1] que induce globalmente un árbol modelo univariado. Uno de los marcos más completos de árboles de decisión inducidos por la evolución es el Árbol de Decisión Global (Global Decision Tree).GDT) [25] y se ha aplicado en varios escenarios del mundo real [22], [8], [10]. El árbol modelo global (GMT) [7] es un componente delGDTsistema diseñado específicamente para abordar problemas de regresión.
La regresión de Lasso [18] es un tipo de regresión lineal que agrega un término de regularización a la función objetivo. Puede reducir eficientemente las estimaciones de coeficientes o forzarlas a que sean iguales a 0 y así reducir la varianza del modelo. El término de regularización en la regresión de lazo se basa en la norma L1 de los coeficientes y es proporcional al valor absoluto de los coeficientes. Funciona bien con la multicolinealidad, fomenta modelos simples y, en contraste con otras regularizaciones como, por ejemplo, las regresiones de cresta, a menudo da como resultado modelos dispersos que tienen pocos coeficientes [6]. En la literatura, hay algunas aplicaciones de lazo para estructuras basadas en árboles. Un Tree-Guided Group LASSO (TGGL) [42] explotó un árbol de agrupamiento jerárquico en el mapeo eQTFL para los datos de expresión génica. El algoritmo se adoptó posteriormente en árboles modelo basados en la regularización para la regresión de múltiples resultados [20]. Las aplicaciones recientes también combinan la regresión de lazo con bosques aleatorios [43] y la regresión logística [26] para mejorar la precisión y la interpretabilidad de los modelos de salida. En [46], los autores utilizaron el método del lazo para realizar una selección de modelos para árboles de decisión en bosques aleatorios. Su idea, llamadaEl algoritmo utilizó Lasso para filtrar los árboles superiores que constituyen el bosque mientras mejoraba su rendimiento general. La combinación de lazo con un solo DT se propone en [5] donde se estudió una correlación entre el polimorfismo genético y los eventos adversos. Los autores utilizaron la regresión de lazo y el árbol de decisión como dos selectores de variables independientes y los combinaron para sacar conclusiones para la clasificación de datos. La aplicación biológica de enfoques híbridos basados en regresión de lazo y estructuras basadas en árboles también se muestra en [14]. Sin embargo, a diferencia de los estudios mencionados anteriormente, los autores se centran en optimizar la evaluación de la probabilidad logarítmica de un árbol filogenético. Con la aproximación propuesta basada en el lazo durante la búsqueda en el árbol, los autores lograron disminuir sustancialmente el tiempo de ejecución manteniendo el mismo rendimiento de la búsqueda en el árbol. Hasta donde sabemos, no ha habido investigaciones previas sobre el uso de la regresión de lazo para simplificar los modelos en las hojas de los árboles de regresión inducidos a través de un enfoque evolutivo o de arriba hacia abajo.
La interpretabilidad de los modelos de árboles de decisión se puede medir a través de varios medios. Elementos como la consistencia y la integridad de las premisas, la falta de contradicciones mutuas, la visualización o el significado de las características son importantes para comprender los predictores [24]. El método que se usa con más frecuencia consiste en evaluar la estructura del árbol inducido, ya que refleja directamente la lógica subyacente utilizada para hacer predicciones. En el contexto de la regresión y los árboles modelo, existen varias representaciones que involucran la complejidad de las pruebas en los nodos internos y los modelos en las hojas [9]. Los árboles con divisiones oblicuas avanzadas o modelos de regresión no lineal en las hojas son naturalmente mucho más difíciles de analizar. Incluso si los árboles de decisión tienen hojas y nodos internos simples, aún pueden ser difíciles de interpretar si son de gran tamaño.
El tamaño de los árboles de decisión inducidos (DT) de arriba hacia abajo se puede controlar a través de un criterio de parada ad-hoc o mediante una poda posterior estricta [15]. Técnicas similares también son populares para eliminar atributos que contribuyen poco al modelo en el contexto de árboles modelo [28], [37], [2]. ElMETRO5 [37], por ejemplo, limita los atributos en las hojas a los que fueron referenciados por las pruebas en la ruta al nodo raíz. Puede encontrar más información sobre la interpretabilidad de los modelos de regresión con respecto a la linealidad, la monotonicidad, la interacción y las tareas relevantes para los predictores populares en [34].
Creemos que las soluciones propuestas en la literatura [28] en el contexto de la construcción de modelos en hojas de árboles de regresión necesitan mejoras. En [7] mostramos que los algoritmos de última generación como(a-como árbol de regresión [4]) oMETRO5 [37] sobre el conjunto de 26 conjuntos de datos de la vida real indujeron predictores que no eran interpretables ni explicables. Algunos de los árboles de salida tenían cientos o incluso miles de nodos y, en caso deMETRO5 también tenían modelos complejos en las hojas. Enfoques evolutivos comoGMT[7] y[1] fueron capaces de reducir el tamaño de los árboles, pero carecían de la capacidad de controlar la complejidad de la regresión lineal multivariada en las hojas. Ambas soluciones produjeron árboles de decisión con modelos de regresión demasiado grandes en las hojas, que a menudo incluían atributos irrelevantes. Como resultado, aunque lograron altos resultados, no alcanzaron su potencial.
El objetivo de esta investigación es verificar si el estimador de lazo puede ser útil para controlar la interpretabilidad de las predicciones de los árboles y mejorar el rendimiento general de los árboles modelo inducidos evolutivamente. Abordamos el problema extendiendo un inductor de árbol modelo evolutivo existente llamadoGMT[7]. Dentro del sistema, hemos implementado la regresión de lazo utilizando el conocido enfoque de descenso de coordenadas cíclicas [47] con una cuadrícula adaptable a datos de parámetros de penalización. El algoritmo utiliza "arranques en caliente" y una "iteración de conjunto activo" para acelerar el cálculo. El tamaño de cada modelo de regresión en las hojas se asigna ad-hoc o se calcula medianteEE. UU.. La complejidad general del árbol está controlada por la función de aptitud de peso que minimiza el error cuadrático medio y el número promedio de valores de atributos probados para realizar una predicción.
Fragmentos de sección
Árbol de lazo global
la propuestaGLTLa solución se basa en la parte superior deGMT[7] y sigue un esquema típico de EA [32] con una población de tamaño fijo y una selección generacional. El diagrama de proceso de laGLTalgoritmo se ilustra en la Fig. 1. En esta sección, presentamos los cambios en comparación con el originalGMTsistema, sin embargo, para una mejor comprensión, algunos pasos generales como la inicialización oEE. UU.selección se recuerdan brevemente.
Experimentos
El objetivo principal de este artículo es verificar si involucrar la regularización de lazo en el proceso de inducción del árbol es beneficioso en términos de interpretabilidad de los árboles de decisión. Por tanto, la validación experimental se centra principalmente en una comparación directa de losGLTalgoritmo con el originalGMTsistema. Confrontamos el desempeño general de estas dos soluciones y sus variantes en términos de precisión de predicción, interpretabilidad y tiempo de inducción del árbol. Comparación con otros populares
Conclusión
La perdurable popularidad de los árboles de decisión fomenta la búsqueda de nuevas soluciones para mejorar su rendimiento. La propuesta de usar algoritmos evolutivos para la inducción de árboles fue uno de los avances, pero resulta que no es suficiente para los árboles modelo. La complejidad del problema resultante de la búsqueda de parámetros en el modelo de regresión requiere mayores esfuerzos. En este documento, presentamos la regularización de lazo para encontrar el mejor conjunto de atributos que construyeron una regresión.
Declaración de contribución de autoría CRediT
Marcin Tchaikovsky:Conceptualización, Análisis formal, Metodología, Software, Validación, Redacción – borrador original.Cristóbal Jurczuk:Análisis formal, software, validación, redacción: revisión y edición.Marek Kretowski:Conceptualización, Obtención de fondos, Metodología, Supervisión, Validación, Redacción – revisión y edición.
Declaración de interés en competencia
Los autores declaran que no tienen intereses financieros en competencia ni relaciones personales conocidas que pudieran haber influido en el trabajo informado en este documento.
Reconocimiento
Este trabajo fue apoyado porUniversidad Tecnológica de Bialystok, Polonia bajo la subvenciónWZ/WI-IIT/4/2023fundado por el Ministerio de Ciencia y Educación Superior.
Artículos recomendados (6)
Artículo de investigación
Algoritmo de curtosis media mínima de difusión y su análisis de rendimiento
Ciencias de la Información, Tomo 638, 2023, Artículo 118982
Los algoritmos de filtrado adaptativo desarrollados mediante el uso de la curtosis negada de la señal de error como función de coste pueden obtener un buen rendimiento en algunos tipos de entornos de ruido sub-gaussiano. Este trabajo extiende el algoritmo de curtosis media mínima (LMK) a un escenario de red de difusión para abordar el problema de estimación distribuida. Para evaluar su comportamiento estocástico, analizamos el rendimiento transitorio utilizando el teorema de Isserlis bajo algunos supuestos estadísticos. Además, los indicadores teóricos de rendimiento de estado estacionario también se derivan en forma cerrada. Nuestros modelos analíticos establecidos también son aplicables al algoritmo de difusión del cuarto medio mínimo (DLMF), que es un caso especial de nuestro algoritmo de difusión LMK (DLMK) propuesto. Los modelos analíticos son más universales y confiables que los modelos existentes en la literatura. Los resultados de la simulación se proporcionan para mostrar la superioridad de DLMK y corroborar nuestro desarrollo teórico del rendimiento transitorio y de estado estable.
Artículo de investigación
Detección de anomalías para transmisión de datos basada en agrupamiento en cuadrícula y distribución gaussiana
Ciencias de la Información, Tomo 638, 2023, Artículo 118989
Se produce una gran cantidad de datos de transmisión en tiempo real y en evolución desde varios dispositivos y aplicaciones. La detección de anomalías es una de las tareas principales de la minería de datos de transmisión con muchas aplicaciones prácticas. Sin embargo, sin un conocimiento previo, es difícil detectar la anomalía con precisión y rapidez. En este artículo, proponemos un algoritmo de detección de anomalías no supervisado (GC-ADS), que se basa en la idea de la agrupación en cuadrícula y la distribución gaussiana. Específicamente, el espacio de datos primero se segmenta utilizando la estructura de cuadrícula, luego los puntos de datos se asignan a cuadrículas y finalmente las cuadrículas se agrupan. La anomalía se puede juzgar preliminarmente de acuerdo con la densidad del grupo. Para resolver el problema de que el agrupamiento no puede distinguir entre ruido y anomalía, basado en la idea de similitud de datos y distribución gaussiana, se diseña un modelo de reconocimiento de ruido. Además, se ha diseñado un modelo de filtrado de datos basado en cuadrícula y ventana deslizante para ahorrar memoria y retener información válida. El método propuesto se compara con los métodos más avanzados en el punto de referencia de anomalías de Numenta. Los resultados experimentales indican que GC-ADS detecta anomalías con mayor precisión que otros métodos con menor costo de tiempo.
Artículo de investigación
Diseño de ataques estrictamente sigilosos para sistemas multiagente no lineales bajo mecanismo de detección de ataques distribuidos
Ciencias de la Información, Tomo 639, 2023, Artículo 118976
Este artículo se centra en el problema del diseño de ataques estrictamente sigilosos contra sistemas multiagente no lineales (MAS) con topología de comunicación dirigida. En primer lugar, se utiliza un mecanismo de detección de ataques distribuidos con una potente capacidad de detección para detectar anomalías en el sistema y medir la ocultación de los ataques. Luego, bajo diferentes escenarios de ataque, se derivan las condiciones de diseño necesarias y suficientes de ataques estrictamente sigilosos que pueden eludir el mecanismo de detección distribuida y conducir a la inseguridad de los MAS. Además, al combinar la idea básica de bloquear ataques y ataques de inyección de datos falsos (FDIA), se propone un esquema de ataque sigiloso estrictamente delimitado, que considera la restricción de energía de los atacantes. Finalmente, se llevan a cabo ejemplos de simulación para mostrar la efectividad y superioridad de las estrategias de ataque sigiloso desarrolladas.
Artículo de investigación
Nuevos límites para el problema empírico robusto de divergencia de Kullback-Leibler
Ciencias de la Información, Tomo 637, 2023, Artículo 118972
Este artículo trata sobre los límites del problema empírico robusto de divergencia de Kullback-Leibler (KL) que se propone en la literatura para su uso en pruebas de hipótesis universales (UHT). La formulación del problema original se basa en los límites derivados de la bola de Lévy. Se proponen nuevos límites y se muestra que son más estrechos. También se introduce un nuevo parámetro para modificar los límites nuevos y existentes. Luego, se diseña un estudio computacional para evaluar el desempeño de la prueba modificada en términos de potencia para tamaños de muestra fijos. Con base en los resultados computacionales, podemos concluir que las nuevas propuestas son prometedoras al aumentar la adaptabilidad de las pruebas de hipótesis robustas/compuestas.
Artículo de investigación
SRFA-GRL: Predicción de influencia grupal en redes sociales con aprendizaje de representación gráfica
Ciencias de la Información, Tomo 638, 2023, Artículo 118960
La evaluación de la influencia del grupo es la investigación fundamental en el análisis de redes sociales, cuya tarea principal es evaluar la influencia del grupo que consiste en nodos arbitrarios en la red social. Se han propuesto muchos métodos para medir la influencia del grupo, como los métodos basados en la centralidad, Monte Carlo y basados en la ruta. Graph Representation Learning (GRL) tiene un gran éxito en las tareas de nivel de nodo, nivel de borde y nivel de gráfico de redes sociales. GRL integra nodos, bordes y otra información en la estructura de la red para calcular las incrustaciones de los nodos de forma conjunta y proporcionar características de incrustación con información más rica que los métodos tradicionales. La influencia del grupo está relacionada con muchos factores; los métodos existentes solo se enfocan en un solo aspecto pero ignoran las diversas propiedades. Este documento propone un marco basado en el aprendizaje (SRFA-GRL) de representación gráfica de agregación de funciones de reconstrucción de subgrafos para evaluar la influencia del grupo. En el marco SRFA-GRL, se propone un método de reconstrucción de subgrafos para capturar la distribución de nodos del grupo, y se propone un método de similitud vectorial para calcular la distancia relativa entre el subgrafo conectado máximo y las incrustaciones de grupo. Se llevan a cabo grandes experimentos en ocho redes sociales reales para analizar la efectividad del modelo SRFA-GRL, y los resultados experimentales muestran que el marco SRFA-GRL supera a los métodos de referencia.
Artículo de investigación
Enfoques basados en matrices para actualizar regiones de tres vías en sistemas de información incompletos con la variación de atributos
Ciencias de la Información, Tomo 639, 2023, Artículo 119013
Como marco comúnmente utilizado para el razonamiento de incertidumbre, el conjunto aproximado de tolerancia ha logrado un éxito notable en el manejo de sistemas de información incompletos con valores faltantes. Las regiones de tres vías generadas a partir del modelo de conjunto aproximado de tolerancia desempeñan un papel cada vez más crucial en la toma de decisiones y el análisis inteligente de datos. Sin embargo, el cambio dinámico de atributos a menudo existe en sistemas de información incompletos. Con esta característica dinámica, las regiones de tres vías deben actualizarse de manera efectiva para los posibles procesos de toma de decisiones. Por ello, desarrollamos algoritmos incrementales para el mantenimiento de regiones de tres vías en sistemas de información incompletos al agregar o eliminar atributos, acelerando el cálculo haciendo uso de información previa. Primero, presentamos un enfoque efectivo basado en matrices para calcular regiones de tres vías en datos incompletos. Con el cambio dinámico de atributos, investigamos más a fondo las estrategias de actualización de matrices relacionadas para construir regiones de tres vías. En consecuencia, se desarrollan y analizan algoritmos basados en matrices para la actualización incremental de regiones de tres vías, mientras que los atributos varían con el tiempo. Además, se ilustran las comparaciones de complejidad de algoritmos incrementales y no incrementales. Finalmente, se realizan experimentos empíricos para revelar la eficiencia de los algoritmos incrementales en comparación con los algoritmos incrementales relacionados y no incrementales basados en matrices.
© 2023 Elsevier Inc. Todos los derechos reservados.
FAQs
¿Cómo se usan los árboles de decisión en la regresión? ›
El algoritmo ID3 se puede utilizar para construir un árbol de decisión para la regresión al reemplazar la ganancia de información con la reducción de la desviación estándar . Un árbol de decisiones se crea de arriba hacia abajo a partir de un nodo raíz e implica dividir los datos en subconjuntos que contienen instancias con valores similares (homogéneos).
¿Cómo interpreta los resultados del árbol de decisión? ›Para interpretar un árbol de decisión, debe seguir la ruta desde el nodo raíz hasta el nodo hoja que corresponde a su punto de datos o escenario . Cada nodo y rama le dirá qué característica y valor se utilizan para dividir los datos y qué proporción y valor de la variable de resultado están asociados con cada grupo.
¿Cómo funciona un árbol de decisión con Regression línea? ›Representación matemática de la regresión lineal
Los árboles de decisión funcionan al dividir el espacio de la característica en varias regiones rectangulares simples, divididas por divisiones paralelas de ejes.
Un árbol de decisión es un tipo de aprendizaje automático supervisado que se utiliza para categorizar o hacer predicciones basadas en cómo se respondió un conjunto anterior de preguntas . El modelo es una forma de aprendizaje supervisado, lo que significa que el modelo se entrena y prueba en un conjunto de datos que contiene la categorización deseada.
¿Qué es un árbol de decisiones ejemplos? ›Un árbol de decisión es un mapa de los posibles resultados de una serie de decisiones relacionadas. Permite que un individuo o una organización comparen posibles acciones entre sí según sus costos, probabilidades y beneficios.
¿Por qué el árbol de decisión es mejor que la regresión? ›Cuando hay una gran cantidad de características con menos conjuntos de datos (con poco ruido), las regresiones lineales pueden superar a los árboles de decisión/bosques aleatorios. En casos generales, los árboles de decisión tendrán una mejor precisión promedio . Para las variables independientes categóricas, los árboles de decisión son mejores que la regresión lineal.
¿Cuál es el objetivo final del árbol de decisión? ›El objetivo del árbol de decisión es dividir los datos de tal manera que al final tengamos diferentes grupos de datos que tengan más similitud y menos aleatoriedad/impureza . Para lograr esto, cada división en el árbol de decisión debe reducir la aleatoriedad.
¿Cómo se construye el árbol de decisión? ›La construcción de un árbol de decisiones consiste en encontrar un atributo que devuelva la mayor ganancia de información y la menor entropía . La ganancia de información es una disminución de la entropía. Calcula la diferencia entre la entropía antes de la división y la entropía promedio después de la división del conjunto de datos en función de los valores de atributo dados.
¿Por qué usamos árboles de decisión? ›Los árboles de decisión se utilizan para resolver problemas de clasificación y categorizar objetos según sus características de aprendizaje . También se pueden utilizar para problemas de regresión o como método para predecir resultados continuos a partir de datos imprevistos.
¿Cuáles son las características del árbol de decisiones? ›Características de un árbol de decisión
Plantea el problema desde distintas perspectivas de acción. Permite analizar de manera completa todas las posibles soluciones. Provee de un esquema para cuantificar el costo del resultado y su probabilidad de uso.
¿Cuáles son los dos tipos de árboles de decisión? ›
Los árboles de decisión se pueden dividir en dos tipos; Árboles de decisión de variable categórica y variable continua .
¿Cuál es el árbol de decisión más utilizado? ›Los problemas de clasificación son el uso más común de los árboles de decisión en el aprendizaje automático. Es un problema de aprendizaje automático supervisado, en el que el modelo está entrenado para clasificar si los datos son parte de una clase de objeto conocida.
¿Cuál es el objetivo del diagrama de árbol? ›Un diagrama de árbol es un método gráfico para identificar todas las partes necesarias para alcanzar algún objetivo final. En mejora de la calidad, los diagramas de árbol se utilizan generalmente para identificar todas las tareas necesarias para implantar una solución.
¿Qué finalidad tiene un análisis de regresión? ›El análisis de regresión es una técnica de análisis que calcula la relación estimada entre una variable dependiente y una o varias variables explicativas. Con el análisis de regresión, es posible modelar la relación entre las variables elegidas, así como predecir valores basándose en el modelo.
¿Qué es un árbol de regresión? ›Un árbol de regresión consiste en hacer preguntas de tipo ¿xk≤c x k ≤ c ? para cada una de las covariables, de esta forma el espacio de las covariables es divido en hiper-rectángulos y todas las observaciones que queden dentro de un hiper-rectángulo tendrán el mismo valor estimado ^y .
¿Qué trata de explicar el modelo de regresión simple? ›La regresión es una técnica estadística que nos permite cuantificar la relación entre dos o más variables y también poder predecir los valores de una variable dependiente a partir de los valores de la variable independiente.
¿Cuáles son los algoritmos utilizados en el árbol de decisión? ›Un algoritmo de árbol de decisión es un algoritmo de aprendizaje automático que utiliza un árbol de decisión para hacer predicciones. Sigue un modelo de árbol de decisiones y sus posibles consecuencias. El algoritmo funciona dividiendo recursivamente los datos en subconjuntos en función de la característica más significativa en cada nodo del árbol.
¿Cómo puede el árbol de decisiones ayudar a una organización? ›Los árboles de decisión ayudan a las empresas a analizar opciones para determinar los mejores resultados para sus organizaciones . De acuerdo con CFO Selections, las empresas usan árboles de decisión para diseñar todos los resultados y soluciones posibles, lo que puede ayudarlos a tomar decisiones informadas sobre cosas como estas: reducción o expansión.
¿Qué ventajas y desventajas tienen los árboles de decisión? ›Ventajas y desventajas del uso del árbol de decisión
No requiere que prepares unos datos excesivamente complejos. Es válido tanto para variables cuantitativas como para cualitativas. Se pueden agregar nuevas opciones a los árboles existentes. Son fácilmente combinables con otras herramientas de tomas de decisiones.
La importancia de las variables se determina calculando la influencia relativa de cada variable : si se seleccionó esa variable para dividirla durante el proceso de creación del árbol y cuánto mejoró (disminuyó) el error cuadrático (sobre todos los árboles) como resultado.
¿Qué enfoque usaría para aplicar la inducción del árbol de decisión? ›
Algoritmo de inducción del árbol de decisión
ID3 and C4.5 adopt a greedy approach . En este algoritmo, no hay retroceso; los árboles se construyen de una manera recursiva de arriba hacia abajo de divide y vencerás.
Los árboles de clasificación y los árboles de regresión son dos tipos de árboles de decisión que se pueden usar para construir un gráfico de decisión. Se usa un árbol de clasificación cuando la variable de salida es categórica, mientras que se usa un árbol de regresión cuando la variable de salida es continua .
¿Cuál es la diferencia entre el árbol de regresión y el árbol de decisión? ›La principal diferencia entre los árboles de decisión de clasificación y regresión es que los árboles de decisión de clasificación se construyen con valores desordenados con variables dependientes. Los árboles de decisión de regresión toman valores ordenados con valores continuos .
¿Que permite hacer la técnica de regresión? ›El análisis de regresión es una técnica de análisis que calcula la relación estimada entre una variable dependiente y una o varias variables explicativas. Con el análisis de regresión, es posible modelar la relación entre las variables elegidas, así como predecir valores basándose en el modelo.
¿Qué es la regresión y ejemplos? ›La regresión lineal es una técnica de análisis de datos que predice el valor de datos desconocidos mediante el uso de otro valor de datos relacionado y conocido. Modela matemáticamente la variable desconocida o dependiente y la variable conocida o independiente como una ecuación lineal.
¿Qué es regresión ejemplos? ›Ejemplos típicos son el niño que vuelve a mojar la cama después de tener un hermano o de que sus padres se separen, las personas que fuman compulsivamente en momentos de estrés, o el joven que al irse a estudiar fuera se aferra a su peluche de infancia en los momentos de incertidumbre.
¿Qué tipo de problemas soluciona el modelo de árbol de decisiones? ›Ya sea para evaluar costos de proyectos, evaluar nuevas oportunidades o solucionar problemas difíciles, un árbol de decisiones es una herramienta de cálculo que permite predecir los resultados de cada determinación futura.