ScholarGate
Asistente
Machine learningMachine learning

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.

Abrir en MethodMindPróximamenteVídeoPróximamenteDownload slides

Leer el método completo

Solo para miembros

Inicia sesión con una cuenta gratuita para leer esta sección.

Iniciar sesión

Method map

The neighbourhood of related methods — select a node to explore.

Fuentes

  1. Breiman, L., Friedman, J., Olshen, R., & Stone, C. (1984). Classification and Regression Trees. Wadsworth. ISBN: 978-0-412-04841-8
  2. 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.

Compare side by side

Citado por

ScholarGateRegularized Decision Tree (Regularized Decision Tree (Pruned and Constrained CART)). Recuperado el 2026-06-15 de https://scholargate.app/es/machine-learning/regularized-decision-tree · Conjunto de datos: https://doi.org/10.5281/zenodo.20539026