Introducción a los Árboles de Decisión Los árboles de decisión son modelos de aprendizaje supervisado utilizados tanto para clasificación como para regresión. Su estructura recuerda a un árbol invertido, donde cada nodo interno representa una "prueba" en un atributo, cada rama representa el resultado de la prueba, y cada hoja representa una clase o un valor de salida. Conceptos Fundamentales: 1. Nodo raíz: Es el Nodo superior de árbol, que representa la variable inicial sobre la que se hará la primera partición de nuestro conjunto de datos. 2. . Nodos Internos: Representan las “Pruebas” sobre los atributos (características) de los datos. 3 . . Hojas: Representan las predicciones o categorías finales. 4. Ramas: son las conexiones entre nodos y representan el resultado de las pruebas de los nodos internos. Construccion del Arbol El proceso de construcción de un árbol de decisión implica seleccionar el mejor atributo en cada paso para dividir el con
A continuación, quiero compartirte algunos de los conceptos de la regresión logística. abordaremos la pregunta del porqué de "regresión" en "regresión logística" Para poder comprender los temas que se presentaran a continuación necesitaras entender algunos conceptos antes los cuales iremos presentando y explicando a medida que nos adentramos más en este modelo. para empezar, debes entender que la regresión logística en un modelo esencial en el arsenal de un científico de datos ya que muchas veces usaremos la regresión logística para poner a "competir" con distintos modelos. Y usaremos las métricas de la regresión logística para de esta forma utilizar estas métricas como punto de partida para la elección del modelo. básicamente si un modelo más complejo no nos brinda mejores métricas que una regresión logística nos decantaremos como modelo a utilizar la regresión logística ya que esta no es una “Caja negra”. La regresión logística en si es un clasificado