Árbol de decisión – clasificar datos con preguntas de sí o no

InformáticaDatos, IA y aprendizaje automáticoEdades 17–18

Usar con mi clase

Datos de dos clases en un plano definido por dos características (el tiempo y salir a la calle, manzana o limón, aprobar un examen). El ordenador construye un árbol de decisión eligiendo en cada nodo la pregunta "característica ≤ umbral?" que más reduce la impureza de Gini o la entropía, o los estudiantes cortan regiones ellos mismos y ven de antemano cuánto baja la impureza. El plano se divide en rectángulos y el árbol aparece debajo; cambia la profundidad máxima para comparar la exactitud en los datos de entrenamiento y de prueba y ver claramente el sobreajuste. En Tus propias reglas, los estudiantes escriben hasta tres reglas si-entonces, ajustan sus umbrales en un lote de entrenamiento, prueban cada versión en un lote nuevo y registran su exactitud.

Lección: Aprendizaje automático: árboles de decisión, impureza de Gini y entropía, datos de entrenamiento y de prueba, sobreajuste

Qué muestra

Un árbol de decisión clasifica un ejemplo con una cadena de preguntas de sí o no; cada una compara una característica con un umbral, así que el plano queda dividido en rectángulos. Los datos provienen de una regla oculta con etiquetas cambiadas al azar (ruido). El ordenador elige de forma voraz el corte que más reduce la impureza de Gini o la entropía; los árboles más profundos se ajustan mejor al entrenamiento, pero pueden memorizar el ruido. En Tus propias reglas escribes tú el modelo: reglas si-entonces con límites, ajustadas en un lote de entrenamiento y probadas en lotes nuevos que las reglas nunca han visto.

Cómo usarla

En Árbol automático, mueve la Profundidad máxima de 1 a 8 y compara la exactitud de entrenamiento y de prueba. En Haz tus propias preguntas, elige Corte vertical o Corte horizontal y haz clic en una región para dividirla. En Tus propias reglas, fija los límites y la clase de cada regla, observa la exactitud de entrenamiento y pulsa Probar con un lote nuevo y registrar para guardar cada versión con su exactitud.

Parámetros que puedes cambiar

  • Conjunto de datos ¿Salir a la calle? (temperatura, humedad), ¿Manzana o limón? (masa, rojez de la piel), ¿Aprueba el examen? (horas de repaso, examen de práctica)
  • Número de datos 40–200 puntos
  • Ruido (porcentaje de etiquetas cambiadas) 0–30 %
  • Profundidad máxima del árbol 1–8
  • Criterio de división Impureza de Gini, Entropía (ganancia de información)
  • Mostrar datos de prueba
  • Pantalla Árbol de decisión, Tus propias reglas

Preguntas para explorar

  1. ¿Por qué la exactitud de entrenamiento sigue subiendo con la profundidad y la de prueba no?
  2. ¿Por qué el conjunto "¿Aprueba el examen?", con su frontera diagonal, necesita tantas preguntas?
  3. ¿Qué te dice sobre los datos la primera pregunta elegida en la raíz?