Unidad 5 - Clasificación: el árbol de decisión

Analítica para los negocios · Semana 11 · 06327-ECO

@emartigo Eduard F. Martínez G. eduard-martinez eduard-martinez.github.io

1 Cómo estudiar esta semana

Antes de clase

1. 🎬 Mira el video de la semana (15 min): la intuición de cómo un árbol aprende haciendo preguntas. Está embebido aquí abajo.
2. 🕹️ Juega con las aplicaciones interactivas: entrena tu primer árbol moviendo la profundidad y mira cómo parte el espacio.

En clase

3. ✅ El quiz, al inicio.
4. 📊 La presentación: el árbol de Cóndor, de los datos a la decisión de Growth.
5. 💻 El script de R, con el monitor: el árbol de verdad, sobre los datos de Cóndor.
6. 📝 El taller: al final del script, la decisión que se entrega.

Después de clase (opcional)

7. 🖥️ La práctica interactiva con los datos de Cóndor: el recorrido completo en tu navegador, celda por celda, sin instalar nada y sin entrega.

De evaluar a entrenar. La semana pasada Growth evaluó predicciones que llegaron de afuera: dos proveedores contra la línea base «no enviarle la campaña a nadie», que acierta 0.779 sin encontrar a ninguno de los 354 que se van. La pregunta de negocio no cambia — ¿a qué clientes debe enviarles Growth la campaña de retención? — pero esta semana el modelo lo construyes tú: un árbol de decisión (CART), entrenado con los datos de Cóndor y calificado con la misma vara de la semana 10.

2 El video de la semana

Un árbol decide igual que un analista con prisa: pregunta primero lo que más separa. El video narra esa intuición paso a paso — cómo se elige cada pregunta, qué es la impureza y cuándo parar (canal Codificando Bits, 15 min):

3 Explóralo tú mismo: entrena tu primer árbol

Antes de tocar los datos reales, juega con el algoritmo. El playground tiene dos pestañas: el Mapa de decisión (cómo el árbol parte el espacio en regiones de color) y la Estructura del árbol (las preguntas, dibujadas). Los dos conjuntos de datos son simulados: aprobación de crédito y churn (abandono) de clientes — el problema de Growth, en miniatura.

¿Qué explorar?

1. Con profundidad 1: ¿cuál es la única pregunta? Cambia a la pestaña Árbol para leerla.
2. Sube la profundidad a 6 y baja el mínimo por hoja a 1: ¿qué pasa con la accuracy de train? ¿Y la de test? Es el sobreajuste que más abajo verás con los datos reales de Cóndor.
3. Cada línea del Mapa es un nodo del Árbol: verifica la correspondencia.
4. Pulsa Reiniciar datos varias veces con los mismos parámetros: ¿el árbol cambia mucho? Esa inestabilidad es propia de los árboles: tenla presente cuando leas uno.

Dataset

Aprobación de crédito Churn de clientes

Profundidad máxima

3

Mín. muestras por hoja

5

Mín. muestras para dividir

10

Accuracy

—

Train

—

Test

Matriz de confusión (test)

Leyenda

Elige un dataset y entrena el árbol para comenzar

Otra aplicación para seguir jugando. El explicador visual de MLU-Explain cuenta la misma historia con animaciones, paso a paso (en inglés): mlu-explain.github.io/decision-tree.

4 Material adicional

• 📘 An Introduction to Statistical Learning (ISLR) — capítulo 8, la referencia formal de los árboles: statlearning.com
• 🎥 StatQuest — repaso alternativo de árboles de clasificación (en inglés, con humor): youtube.com/@statquest

---

En clase → la presentación sobre Cóndor, el script de R con el monitor y el taller. Después (opcional) → la práctica interactiva con los datos de Cóndor en tu navegador.