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.
Mapa de métodos
El vecindario de métodos relacionados: selecciona un nodo para explorarlo.
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
¿Qué método?
Coloca este método junto a sus parientes más cercanos y léelos lado a lado: la biblioteca pone los libros sobre la mesa; la elección es tuya.
- PotenciaciónAprendizaje automático↔ comparar
- Árbol de DecisiónAprendizaje automático↔ comparar
- Extra TreesAprendizaje automático↔ comparar
- Random ForestAprendizaje automático↔ comparar
- Regresión Lineal RegularizadaAprendizaje automático↔ comparar
- Random Forest RegularizadoAprendizaje automático↔ comparar
Citado por
¿Has visto un problema en esta página? Infórmanos o sugiere una corrección →