• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • Python
  • Pandas
  • NumPy
  • Matlab
  • Julia
  • JavaScript
  • Excel

Representar árboles de decisiones con Scikit-Learn

marzo 14, 2022 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Los árboles de decisión son una familia de algoritmos de aprendizaje supervisados ampliamente utilizados debido a que, a pesar de su simplicidad, pueden realizan buenas predicciones en una amplia variedad de problemas. Además, la simplicidad de su planteamiento hace que sus resultados sean fácilmente interpretables. Permitiendo no solo obtener predicciones relevantes, sino también explicar cuales son las causas por las que llegan a estas. Algo que puede ayudar a las tomas de decisiones de negocio. La interpretabilidad de los árboles de decisión mejora con una buena representación gráfica de los modelos. Por eso, para la representar árboles de decisiones con Scikit-Learn existen varias funciones, además de las basadas en PyDotPlus

Creación de un clasificador de pruebas

Antes de poder representar un árbol de decisión es necesario disponer de un modelo entrenado. En este caso vamos a usar el popular conjunto de datos Iris que se encuentra dentro de los ejemplos incluidos dentro de Scikit-Learn. Proceso que se realizará con el siguiente código.

from sklearn.datasets import load_iris
from sklearn.tree import DecisionTreeClassifier, export_text, plot_tree

iris = load_iris()
tree = DecisionTreeClassifier(max_depth=3,
                              random_state=0).fit(iris.data, iris.target)

En el que se puede ver que se han importado dos funciones (export_text, plot_tree) del espacio de nombre tree que usaremos para la representación gráfica de los modelos.

Representar árboles de decisiones en texto

Quizás la forma más sencilla para exportar el árbol de decisión es mediante un texto. Para lo que se puede usar la función export_text. Esta función solamente requiere un parámetro, el modelo, pero también es interesante pasarle el nombre de las características para que sea más legible. Así, para crear representar el árbol solamente se tiene que ejecutar el siguiente código

text = export_text(tree, feature_names=iris.feature_names)
print(text)
|--- petal width (cm) <= 0.80
|   |--- class: 0
|--- petal width (cm) >  0.80
|   |--- petal width (cm) <= 1.75
|   |   |--- petal length (cm) <= 4.95
|   |   |   |--- class: 1
|   |   |--- petal length (cm) >  4.95
|   |   |   |--- class: 2
|   |--- petal width (cm) >  1.75
|   |   |--- petal length (cm) <= 4.85
|   |   |   |--- class: 2
|   |   |--- petal length (cm) >  4.85
|   |   |   |--- class: 2

Obteniendo como resultado un texto formateado en el que se puede ver fácilmente cuáles son los criterios que se han tomado para predecir una clase u otra.

Publicidad


Representar árboles de decisiones con gráficos

A pesar de que el texto formateado es una herramienta bastante útil para entender el modelo, no hay nada como un gráfico. Para ello se puede usar la función plot_tree. Esta función al igual que export_text solamente tiene un parámetro obligatorio, el modelo. Aunque, al igual que antes, existen otras opciones que son interesantes, por ejemplo, se puede indicar el nombre de las características mediante la propiedad feature_names y el nombre de las clases con class_names. De este modo se puede crear una gráfica simplemente con el siguiente código.

annotations = plot_tree(tree,
                        feature_names=iris.feature_names,
                        class_names=iris.target_names)
Representación gráfica del árbol de decisión
Representación gráfica del árbol de decisión

La función devuelve unas anotaciones con las aristas de las figuras, que posiblemente no sean de nuestro interés. Aunque la gráfica anterior está bien, también se puede colorear las cajas mediante la propiedad filled

annotations = plot_tree(tree,
                        feature_names=iris.feature_names,
                        class_names=iris.target_names,
                        filled=True)
Representación gráfica del árbol de decisión usando varios colores para rellenar las cajas
Representación gráfica del árbol de decisión usando varios colores para rellenar las cajas

Conclusiones

En esta entrada se ha visto cómo se pueden representar árboles de decisión con las funciones incluidas en Scikit-Learn. Unas funciones que evitan tener que instalar otros paquetes como puede ser el caso de PyDotPlus que se explicó anteriormente. Algo puede simplificar nuestro trabajo.

Imagen de mbll en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

Publicidad


¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Cuatro aplicaciones de la Inteligencia Artificial en la Agricultura
    Cuatro aplicaciones de la Inteligencia Artificial en la…
  • Clientes
    6 aplicaciones del CLV
  • Modelos de aprendizaje automático con ChatGPT en español
    Modelos de aprendizaje automático con ChatGPT en español
  • Representar los criterios de selección en árboles de decisión
    Representar los criterios de selección en árboles de…
  • Interpretación de las predicciones de los árboles de regresión y Random Forest
    Interpretación de las predicciones de los árboles de…
  • Visualización de árboles de decisión en Python con PyDotPlus
    Visualización de árboles de decisión en Python con PyDotPlus

Publicado en: Ciencia de datos, Python Etiquetado como: Machine learning, Scikit-Learn

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Publicidad




Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • La aplicación Auto Py to Exe Creación de un EXE desde un archivo Python en Windows publicado el mayo 16, 2022 | en Python
  • Cómo encontrar la posición de elementos en una lista de Python publicado el abril 12, 2021 | en Python
  • Unir y combinar dataframes con pandas en Python publicado el septiembre 10, 2018 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

Publicidad

Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto