6 secciones · 9 apartados · 6 ejercicios con soluciones
Capítulo 7 de 14
Objetivos de aprendizaje del capítulo (6)
Entender cómo funcionan los árboles de decisión y cómo eligen cada división midiendo la pureza con Gini o entropía.
Comprender el concepto de ensemble learning —aprendizaje por conjuntos— y sus dos familias principales (bagging y boosting).
Aplicar Random Forest, XGBoost, LightGBM y CatBoost con buenos valores de partida y evaluarlos correctamente (incluido el OOB score).
Explicar el papel de cada hiperparámetro del boosting (learning_rate, n_estimators, subsample, colsample_bytree, early stopping) en lugar de copiar números mágicos.
Interpretar la importancia de variables conociendo los sesgos de feature_importances_ y usando alternativas robustas (permutación, SHAP).
Decidir cuándo un modelo basado en árboles es la herramienta adecuada y, sobre todo, cuándo no lo es.
