Los Árboles de Decisiones son la herramienta más potente y popular para la clasificación y la predicción y en los últimos años ha sido una metodología ampliamente explorada en Trabajos de Grado. Un árbol de decisión es una estructura arbórea parecida a un diagrama de flujo, en la que cada nodo interno representa una prueba sobre un atributo, cada rama representa un resultado de la prueba y cada nodo hoja (nodo terminal) contiene una etiqueta de clase.

Las cuestiones de decisión mucho más complejas pueden representarse en forma de tabla de resultados. Sin embargo, sobre todo en el caso de las decisiones de inversión complejas, una representación diferente de la información pertinente al problema -el árbol de decisiones- es útil para mostrar las rutas por las que se alcanzan los distintos resultados posibles.

Igualmente se pueden indicar las bifurcaciones de acción o decisión con nodos cuadrados y las bifurcaciones de sucesos de azar con nodos redondos. También en su lugar, se pueden utilizar otros símbolos, como ramas de una o dos líneas, letras especiales o colores. No importa mucho el método de distinción que se utilice, siempre que se emplee uno u otro. Un árbol de decisión de cualquier tamaño siempre combinará (a) opciones de acción con (b) diferentes eventos posibles o resultados de la acción que están parcialmente afectados por el azar u otras circunstancias incontrolables.

Construcción del árbol de decisión

Un árbol puede desarrollarse dividiendo el conjunto fuente en subconjuntos basados en una prueba de valor de atributos. Este proceso se repite en cada subconjunto derivado de una manera recursiva llamada partición recursiva. La recursión se completa cuando el subconjunto en un nodo tiene todos el mismo valor de la variable objetivo, o cuando la división ya no añade valor a las predicciones.

La construcción del clasificador de árbol de decisión no requiere ningún conocimiento del dominio o ajuste de parámetros y por lo tanto es apropiado para el descubrimiento de conocimiento exploratorio. Los árboles de decisión pueden manejar datos de alta dimensión. En general, el clasificador de árboles de decisión tiene una buena precisión. La inducción del árbol de decisión es un enfoque inductivo típico para aprender el conocimiento sobre la clasificación.

Representación de los árboles de decisión

Los árboles de decisión clasifican las instancias ordenándolas en el árbol desde la raíz hasta algún nodo hoja, lo que proporciona la clasificación de la instancia. Una instancia se clasifica empezando por el nodo raíz del árbol, probando el atributo especificado por este nodo y bajando por la rama del árbol correspondiente al valor del atributo. Este proceso se repite para el subárbol enraizado en el nuevo nodo. Ejemplo:

El árbol de decisión clasifica una determinada mañana en función de si es adecuada y devuelve la clasificación asociada a la hoja concreta.

Por ejemplo, la instancia (Previsión = Lluvia, Temperatura = Caliente, Humedad = Alta, Viento = Fuerte ) se clasificaría en la rama más a la izquierda de este árbol de decisión y, por tanto, se clasificaría como una instancia negativa. En otras palabras, podemos decir que el árbol de decisión representa una disyunción de conjunciones de restricciones sobre los valores de los atributos de las instancias.

Mientras que (Previsión = Soleado ^ Humedad = Normal) v (Previsión = Nublado) v (Previsión = Lluvia ^ Viento = Débil) se colocaría en la derecha del árbol de decisión.

Puntos fuertes y débiles del método del árbol de decisión

Los puntos fuertes de los métodos de árboles de decisión son:

Son capaces de generar reglas comprensibles.

Realizan la clasificación sin requerir muchos cálculos.

Son capaces de manejar tanto variables continuas como categóricas.

Proporcionan una indicación clara de los campos más importantes para la predicción o la clasificación.

Los puntos débiles de los métodos de árboles de decisión son:

Resultan menos apropiados para tareas de estimación en las que el objetivo es predecir el valor de un atributo continuo.

Son propensos a cometer errores en problemas de clasificación con muchas clases y un número relativamente pequeño de ejemplos de entrenamiento.

El entrenamiento del funcionamiento del árbol de decisión puede ser costoso desde el punto de vista informático.En cada nodo, cada campo de división candidato debe ser ordenado antes de encontrar su mejor división. En algunos algoritmos, se utilizan combinaciones de campos y hay que buscar los pesos de combinación óptimos. Los algoritmos de poda también pueden ser costosos, ya que hay que formar y comparar muchos subárboles candidatos.

Mostrar alternativas

Siguiendo con el ejemplo del clima, supongamos que es una mañana de sábado bastante nublada y que tienes 75 personas que vienen a tomar un cóctel por la tarde. Tienes un agradable jardín y tu casa no es demasiado grande; así que, si el tiempo lo permite, te gustaría montar los refrescos en el jardín y celebrar la fiesta allí. Sería más agradable y tus invitados estarían más cómodos.

Por otro lado, si preparas la fiesta para el jardín y después de que todos los invitados estén reunidos empieza a llover, los refrescos se arruinarán, tus invitados se mojarán y desearás de corazón haber decidido celebrar la fiesta en la casa. Podríamos complicar este problema considerando la posibilidad de un compromiso parcial con uno u otro plato y las oportunidades de ajustar las estimaciones del tiempo a medida que avanza el día, pero el problema simple es todo lo que necesitamos.

En el primer nodo de la izquierda, el anfitrión tiene la opción de que la fiesta sea dentro o fuera. Cada rama representa una alternativa de acción o decisión. Al final de cada rama o curso alternativo hay otro nodo que representa un evento de azar: si lloverá o no. Cada curso alternativo posterior a la derecha representa un resultado alternativo de este evento de azar. Cada curso alternativo completo del árbol lleva asociado un resultado, que se muestra al final de la rama más a la derecha o terminal del curso.

Cadenas de eventos de decisión

El ejemplo anterior, aunque sólo implica una única etapa de decisión, ilustra los principios elementales sobre los que se construyen árboles de decisión más grandes y complejos. Tomemos una situación algo más complicada:

Se trata de decidir si se aprueba un presupuesto para el desarrollo de un producto mejorado. Le instan a hacerlo porque el desarrollo, si tiene éxito, le dará una ventaja competitiva, pero si no desarrolla el producto, su competidor puede y puede dañar seriamente su cuota de mercado.

Su decisión inicial se muestra a la izquierda. Tras la decisión de seguir adelante con el proyecto, si el desarrollo tiene éxito, hay una segunda etapa de decisión en el Punto A. Suponiendo que no haya ningún cambio importante en la situación entre el momento actual y el del Punto A, usted decide ahora qué alternativas serán importantes para usted en ese momento. A la derecha del árbol están los resultados de diferentes secuencias de decisiones y acontecimientos. Estos resultados también se basan en tu información actual. En efecto, dices: "Si lo que sé ahora es cierto, esto es lo que ocurrirá".

Por supuesto, no intentas identificar todos los sucesos que pueden ocurrir o todas las decisiones que tendrás que tomar sobre un tema analizado. En el árbol de decisión sólo se exponen las decisiones y los acontecimientos o resultados que son importantes para usted y que tienen consecuencias que desea comparar.

Elección del curso de acción

Ahora estamos preparados para el siguiente paso del análisis: comparar las consecuencias de los diferentes cursos de acción. Un árbol de decisión no da a la dirección la respuesta a un problema de inversión, sino que ayuda a la dirección a determinar qué alternativa, en cualquier punto de elección concreto, producirá la mayor ganancia monetaria esperada, teniendo en cuenta la información y las alternativas pertinentes para la decisión.

Por supuesto, las ganancias deben considerarse junto con los riesgos.  Por ejemplo, los accionistas de una empresa pueden considerar una inversión concreta como una de una serie de posibilidades, algunas de las cuales funcionarán y otras fracasarán. Una inversión importante puede suponer un riesgo para un directivo intermedio -para su puesto de trabajo y su carrera- independientemente de la decisión que se tome. Otro participante puede tener mucho que ganar con el éxito, pero poco que perder con el fracaso del proyecto. La naturaleza del riesgo, tal y como lo ve cada individuo, afectará no sólo a las suposiciones que esté dispuesto a hacer, sino también a la estrategia que seguirá para afrontar el riesgo.

Objetivos Múltiples

La existencia de objetivos múltiples, no declarados y conflictivos contribuirá sin duda a la política de decisión y se puede estar seguro de que el elemento político existe siempre que se ven afectadas las vidas y las ambiciones de las personas. Siguiendo con el último ejemplo, no es un mal ejercicio pensar en quiénes son las partes de una decisión de inversión y tratar de hacer estas valoraciones:

¿Qué está en riesgo? ¿Son los beneficios o el valor del capital, la supervivencia de la empresa, el mantenimiento de un puesto de trabajo, la oportunidad de una carrera importante?

¿Quién corre el riesgo? El accionista suele asumir el riesgo de una forma. La dirección, los empleados, la comunidad, todos ellos pueden asumir diferentes riesgos.

¿Cuál es el carácter del riesgo que soporta cada persona? ¿Es, en sus términos, único, único en la vida, secuencial, asegurable? ¿Afecta a la economía, al sector, a la empresa o a una parte de la empresa?

Consideraciones como las anteriores seguramente entrarán en el pensamiento de la alta dirección y el árbol de decisiones no las eliminará. Pero el árbol mostrará a la dirección qué decisión actual contribuirá más a sus objetivos a largo plazo.

Alternativas de incertidumbre

En muchos casos, los elementos inciertos adoptan la forma de alternativas discretas de una sola variable. En otros, sin embargo, las posibilidades de flujo de caja durante una etapa pueden abarcar todo un espectro y depender de una serie de variables independientes o parcialmente relacionadas y sujetas a influencias fortuitas: costo, demanda, rendimiento, etc.

Aquí, el rango de variabilidad o la probabilidad se sitúe en un rango determinado durante una etapa puede calcularse fácilmente a partir del conocimiento de las variables clave y de las incertidumbres que las rodean. A continuación, la gama de posibilidades durante la etapa puede desglosarse en dos, tres o más "subconjuntos", que pueden utilizarse como alternativas de azar discretas.

¿Por qué debería hacer un árbol de decisiones?

Ahora que sabe exactamente qué es un árbol de decisión, es el momento de considerar por qué esta metodología es tan eficaz.

Los árboles de decisión son flexibles

Esto quiere decir que los árboles de decisión no son lineales, lo que significa que hay mucha más flexibilidad para explorar, planificar y predecir varios resultados posibles de sus decisiones, independientemente del momento en que se produzcan.

Los árboles de decisión comunican eficazmente los procesos complejos

Al respecto, los árboles de decisión demuestran visualmente las relaciones causa-efecto, proporcionando una visión simplificada de un proceso potencialmente complicado. Los árboles de decisión también son sencillos y fáciles de entender, incluso si nunca ha creado uno antes.

Los árboles de decisión se centran en la probabilidad y los datos, no en las emociones y los prejuicios

Aunque no cabe duda de que puede ser útil consultar a otras personas cuando se toma una decisión importante, confiar demasiado en las opiniones de sus colegas, amigos o familiares puede ser arriesgado. Para empezar, puede que no tengan toda la información. Además, sus consejos pueden estar influidos por sus propios prejuicios personales, más que por hechos concretos o probabilidades.

Los árboles de decisión, por el contrario, proporcionan una visión equilibrada del proceso de toma de decisiones, al tiempo que calculan tanto el riesgo como la recompensa.

Los árboles de decisión aclaran las opciones, los riesgos, los objetivos y las ganancias

Una gran ventaja de los árboles de decisión es su marco predictivo, que permite trazar diferentes posibilidades y, en última instancia, determinar qué curso de acción tiene la mayor probabilidad de éxito. Esto, a su vez, ayuda a proteger sus decisiones contra riesgos innecesarios o resultados indeseables.

Los árboles de decisión también permiten adoptar un enfoque más creativo en el proceso de toma de decisiones.  Al visualizar diferentes caminos que podrías tomar, podrías encontrar un curso de acción que no habías considerado antes, o decidir combinar caminos para optimizar tus resultados. Visualizar tu proceso de toma de decisiones también puede aliviar las incertidumbres y ayudarte a clarificar tu posición.

Mejores prácticas del árbol de decisiones

Mantener la sencillez

No sobrecargue su árbol de decisión con texto; de lo contrario, estará desordenado y será difícil de entender. Utilice un lenguaje claro y conciso para etiquetar sus puntos de decisión.

Utilice datos para predecir los resultados

Al elaborar el árbol de decisiones, tendrá que hacer algunas conjeturas. Está bien que no estés seguro, nadie espera que saques una bola de cristal. Dicho esto, tu árbol de decisiones será mucho más útil si tiene en cuenta los datos reales a la hora de determinar los posibles resultados. Un sencillo diagrama de flujo del plan de acción, facilitará la toma de decisiones correctas a partir de los datos.

Utilice una plantilla de árbol de decisiones diseñada por profesionales

El uso de una plantilla de diseño profesional puede hacer que su árbol de decisiones sea más atractivo para los clientes, los miembros del equipo y las partes interesadas en su proyecto.

Tomar mejores decisiones mediante el uso de árboles de decisión

Los árboles de decisión pueden aumentar drásticamente su capacidad de toma de decisiones. El proceso de identificación de la gran decisión ("raíz"), los posibles cursos de acción ("ramas") y los posibles resultados ("hojas"), así como la evaluación de los riesgos, las recompensas y las probabilidades de éxito, le permitirán tener una visión de pájaro del proceso de toma de decisiones.

Nuestros especialistas esperan por ti para que los contactes a través del formulario de cotización o del chat directo. También contamos con canales de comunicación confidenciales como WhatsApp y Messenger. Y si quieres estar al tanto de nuestros novedosos servicios y las diferentes ventajas de contratarnos, síguenos en FacebookInstagram o Twitter.

Si este artículo fue de tu agrado, no olvides compartirlo por tus redes sociales.

Fuentes Consultadas

Mittal, K., Khandunja, D. and Chandra, P., 2017. An Insight into “Decision Tree Analysis”. World Wide Journal of Multi disciplinary Research and Development, 3(12), pp.111-115.

Rokach, L. and Maimon, O., 2005. Decision Trees. Data Mining and Knowledge Discovery Handbook, pp.165-192.

Rossi, F. and Tsoukias, A., 2009. Algorithmic decision theory. Berlin: Springer.

Árbol de Decisiones

Árbol de Decisiones. Foto: Unsplash. Créditos: David Kennedy

Abrir chat
1
Bienvenido(a) a Online Tesis
Nuestros expertos estarán encantados de ayudarte con tu investigación ¡Contáctanos!