Un árbol de decisiones es un algoritmo que se emplea para resolver problemas de clasificación o regresión, es decir, para predecir el valor de una variable en función de otras variables o condiciones. Su estructura es jerárquica y ramificada, e incluye una serie de elementos básicos:
- Nodo raíz. Es el conjunto de datos del que se parte.
- Nodos de decisión. Están conectados con el nodo raíz y van mostrando las características o condiciones que queremos aplicar.
- Ramas. Representan las decisiones que se están exponiendo.
- Nodo terminal o hoja. Es el resultado final de la decisión.
Este tipo de árboles se pueden usar dentro del aula para introducir conceptos básicos de inteligencia artificial relacionados con el aprendizaje automático y la lógica matemática, dentro de situaciones de aprendizaje en las que hace falta tomar una decisión frente a un conjunto de datos. Así podremos construir modelos predictivos básicos y sencillos para desarrollar una analítica de datos. Por ejemplo, podemos usar un árbol de decisión para realizar una clasificación de animales en función de sus características o para seleccionar el mejor medio de transporte en un itinerario según el tiempo, el importe económico y la distancia a recorrer.
Para la creación de un árbol de decisiones dentro de clase se pueden seguir estos pasos:
- Definir el problema que se quiere predecir o clasificar.
- Identificar las variables explicativas o los factores que influyen en él.
- Recopilar datos sobre las variables implicadas en el problema.
- Elegir un criterio para dividir los datos en subconjuntos más homogéneos según las variables explicativas (por ejemplo, la ganancia de información o el índice de Gini).
- Aplicar el criterio elegido desde el nodo raíz hasta los nodos finales, creando las ramas y los nodos internos necesarios según las condiciones o preguntas que se expongan sobre los datos.
- Podar el árbol si es necesario, si se hace demasiado complejo o inmanejable.
- Evaluar el rendimiento del árbol interpretando y comunicando los resultados.
Existen diferentes herramientas y recursos digitales para crearlos. Una vez realizados, podemos entrenar modelos de aprendizaje automático y ver cómo funcionan estos árboles.