Inteligencia Artificial

Qué son los árboles de decisión y cómo se usan en Inteligencia Artificial

Los árboles de decisión son representaciones gráficas que se realizan para la resolución de problemas. En Inteligencia Artificial, se utilizan en modelos predictivos de aprendizaje supervisado.

Por Redacción España, el 24/05/2021

auto ¿Te ha gustado nuestro artículo? ¡Vota!

Desde la economía hasta la estadística, los árboles de decisión se emplean en diversos ámbitos para analizar situaciones complejas con múltiples posibilidades de decisión y escoger la mejor. Una de esas aplicaciones es el Machine Learning.

Las metodologías que se basan en árboles de decisión son las más empleadas en modelos predictivos dentro del aprendizaje supervisado (descubre qué es en este texto sobre tipos de Machine Learning), en contextos de regresión y también de clasificación. Te explicamos qué son y cómo se integran dentro del universo de la Inteligencia Artificial.

Qué es un árbol de decisión

Árbol de decisión, su nombre ya nos da una pista. Se trata de una vía de análisis que parte de la representación de manera gráfica de todos los sucesos que pueden derivar de la toma de una decisión y, a su vez, de todos los sucesos que pueden derivar de cada uno de esos sucesos.

De este modo, los árboles de decisión se emplean para la resolución de problemas: sirven para organizar el trabajo, estructurar los canales de cálculo y, en última instancia, tomar la decisión con mayor probabilidad de acierto.

Aplicado al Machine Learning y explicado de forma sencilla, un árbol de decisión es una técnica que emplea algoritmos en forma de árbol para enseñar a las máquinas a tomar decisiones y, por tanto, a resolver problemas de regresión o de clasificación. Como resultado, obtenemos modelos predictivos precisos y fiables.

Imagina un árbol, con su tronco, sus ramas y sus hojas. Bien, ante una disyuntiva, la máquina encuentra una serie de ramas, que representan las distintas soluciones que tiene ante sí. Las hojas son las predicciones que estamos buscando.

En la práctica, ante un grupo de datos, la máquina utilizará el algoritmo en forma de árbol para dibujar un árbol de decisión, o, lo que es lo mismo, para crear diagramas de construcciones lógicas. Así, resolverá el problema a partir de la categorización de todas las condiciones que se plantean de manera sucesiva hasta llegar a la resolución de dicho problema.

Es algo así como los libros de Elige tu propia aventura. En un momento dado, se plantean distintas opciones y la decisión que tomes te llevará a un escenario que volverá a plantearte otra serie de opciones, y así sucesivamente hasta que llegues a la resolución final.

Árbol de decisión y toma de decisiones

Una vez entendido el concepto, surge una pregunta inevitable: ¿cómo sabe la máquina cuál de todas las opciones es la correcta? ¿Cómo se decanta por una posibilidad u otra?

Siguiendo con el ejemplo anterior, la gran diferencia entre tú con uno de esos libros y una máquina con Inteligencia Artificial reside en que tus decisiones son subjetivas y las de la máquina se basan en datos.

Como en todos los modelos de Machine Learning, entra en juego el conjunto de entrenamiento, esto es, que la máquina se somete a un entrenamiento previo: se le suministra información para que haga su aprendizaje inicial. Ese entrenamiento le sirve como base para su futura toma de decisiones, por lo que hay dos factores fundamentales:

  • Los datos, que han de estar totalmente contrastados.
  • Las respuestas correctas o atributos de destino.

Una vez entrenada la IA, cuando se encuentra ante una disyuntiva, utiliza el conjunto de datos con el que ha sido alimentada para plantear correlaciones entre los datos de su entrenamiento y los que tiene ante sí ahora y decantarse por la opción correcta.

Por tanto, en este contexto, el árbol de decisión se convierte en un modelo predictivo que divide el espacio de los predictores por medio de la agrupación de observaciones con valores similares para la variable respuesta o dependiente.

Elementos de los árboles de decisión

Los árboles de decisión están compuestos por distintos elementos. Los detallamos a continuación.

  • Nodos: se da en el momento en el que se plantea una disyuntiva con sus diferentes opciones.
  • Flechas: son los nexos que unen los nodos entre sí.
  • Vectores: cada vector representa la opción por la que se opta entre todas las posibilidades que plantea el nodo.
  • Etiquetas: unen nodos y flechas y denominan las acciones que se llevan a cabo.

Nodos de probabilidad, nodos terminales y nodos de decisión

Dentro de los nodos de un árbol de decisión, distinguimos tres tipos: nodos de probabilidad, nodos terminales y nodos de decisión.

  • Nodos de probabilidad: muestran las probabilidades de acierto de cada una de las opciones que se plantean ante una disyuntiva.
  • Nodos de decisión: representan la decisión que se va a tomar ante una disyuntiva.
  • Nodos terminales: representan el resultado final, la última opción en una ruta de decisión.

Ajedrez y árbol de decisión

Un ejemplo práctico de una Inteligencia Artificial y un árbol de decisión: el ajedrez. En una partida, la máquina tiene ante sí muchas posibilidades y siempre ha de tomar la decisión con más probabilidades de éxito, con el añadido de que, en función de los movimientos del contrario, los cálculos deben reconfigurarse para seguir trazando el camino hasta el nodo terminal, que sería la victoria.

La máquina plantea todas las posibilidades que tiene ante sí y, a su vez, todas las posibilidades que tendría su adversario ante cada decisión. Así, una IA sería capaz de dibujar a través de un árbol de decisión todas las partidas posibles y entablar todas las rutas de decisión correctas para ganar siempre. A propósito de ajedrez, no te pierdas este artículo sobre Deep Blue, la IA que derrotó a Kaspárov.

TAGS:
Imagen del autor Redacción España

Equipo de redacción de B12 España: Marketing, Big Data, Inteligencia Artificial y Ventas.

Ponte en contacto con nosotros:

+52 (55) 4774 1185

mexico@agenciab12.com

Ejército Nacional #1112, Int. 804, CP 11510 – CDMX