Árbol de decisión regularizado
Un árbol de decisión regularizado es un modelo de árbol de decisión cuya complejidad se limita intencionadamente mediante podas, restricciones de profundidad o términos de penalización para prevenir el sobreajuste. Basándose en el marco CART de Breiman et al. (1984), la regularización convierte el procedimiento codicioso de crecimiento de árboles en una compensación sesgo-varianza, produciendo modelos que generalizan mejor a datos no vistos que los árboles completamente desarrollados.
Leer el método completo
Inicia sesión con una cuenta gratuita para leer esta sección.
Method map
The neighbourhood of related methods — select a node to explore.
Fuentes
- Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth. ISBN: 978-0-412-04841-8
- Esposito, F., Malerba, D., & Semeraro, G. (1997). A comparative analysis of methods for pruning decision trees. IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(5), 476–491. DOI: 10.1109/34.589207 ↗
Cómo citar esta página
ScholarGate. (2026, June 3). Regularized Decision Tree (Pruned and Constrained CART). ScholarGate. https://scholargate.app/es/machine-learning/regularized-decision-tree
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- PotenciaciónAprendizaje automático↔ compare
- Árbol de DecisiónAprendizaje automático↔ compare
- Extra TreesAprendizaje automático↔ compare
- Random ForestAprendizaje automático↔ compare
- Regresión Lineal RegularizadaAprendizaje automático↔ compare
- Random Forest RegularizadoAprendizaje automático↔ compare
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →