16 laboratorios interactivos
Del primer split a la decisión de negocio
La secuencia sigue las tres presentaciones del módulo: primero aprendemos cómo construye reglas un árbol; luego por qué bagging y Random Forest reducen varianza; finalmente estudiamos explicación, boosting y decisión bajo costos.
PPT 01 · Árboles de decisión y CART
Cómo aprende un árbol
01
Split óptimo e impureza GiniCalculá padre, hijos, impureza ponderada y ganancia.
Fundamental02
Gini vs entropíaCompará criterios sobre los mismos splits candidatos.
Criterios03
Árbol ↔ particiones 2DConectá reglas del árbol con regiones del espacio.
Visual04
Profundidad y overfittingObservá train, validación, brecha y frontera.
Generalización05
Poda costo-complejidadPenalizá hojas y buscá el punto de validación.
Pruning06
Inestabilidad del árbolPerturbá pocos casos y medí cuánto cambian reglas y frontera.
Bias–variancePPT 02 · Bagging y Random Forest
Cómo reducir varianza combinando árboles
07
Bootstrap y Out-of-BagVisualizá repeticiones, casos OOB y el 36,8% teórico.
Bootstrap08
BaggingCompará un árbol con el voto promedio del ensemble.
Ensemble09
Bagging vs Random ForestAgregá random subspace y medí correlación entre árboles.
Random Forest10
Número de árboles y OOBSeguimiento de convergencia OOB y validación.
Convergencia11
max_features y correlaciónNegociá fuerza individual contra diversidad.
mtryPPT 03 · Boosting, interpretación y decisión
Cómo explicar, comparar y decidir
12
MDI vs permutation importanceDos definiciones de importancia, dos preguntas distintas.
Explainability13
Variables correlacionadasMostrá cómo la redundancia puede esconder relevancia.
Pitfall14
PDP e ICECompará efecto promedio con heterogeneidad individual.
Interpretación15
Gradient BoostingExplorá learning_rate, etapas y generalización.
Boosting16
Decision LabÁrbol vs RF vs boosting bajo threshold y costos de error.
Negocio