🎯 Árvores de Decisão

Em poucas palavras

Uma Árvore de Decisão é um modelo preditivo que mapeia observações sobre um item (ramos) para conclusões sobre o valor alvo do item (folhas). Estruturalmente, é um grafo acíclico dirigido que decompõe um conjunto de dados complexo em subconjuntos menores e mais homogêneos através de testes lógicos sequenciais.

---

📝 Notas e Desenvolvimento

Estrutura Anatômica

• Nó Raiz (Root Node): Representa a população total ou amostra e o primeiro atributo de divisão.
• Nós Internos (Decision Nodes): Pontos onde o algoritmo faz uma pergunta (ex: $x>50$?). Cada nó representa uma característica (feature).
• Ramos (Branches): O caminho que conecta os nós, representando o resultado de uma decisão.
• Nós Folha (Leaf Nodes): O resultado final. Não há mais divisões aqui (representa a classe ou valor contínuo).

📝 Notas de Implementação

1. Tipos de Problemas

As árvores de decisão são versáteis e dividem-se em:

• Classificação (CART): Quando a variável alvo é categórica (ex: Sim/Não, Spam/Não-Spam).
• Regressão: Quando a variável alvo é contínua (ex: Preço de uma casa).

2. Critérios de Divisão (Splitting)

Para decidir qual “pergunta” fazer em cada nó, o algoritmo busca a Pureza. Os critérios mais comuns são:

• Entropia (Ganho de Informação): Mede a desordem dos dados.
• Índice Gini: Mede a probabilidade de um elemento ser classificado incorretamente.

3. Vantagens vs. Desvantagens

✅ Prós	❌ Contras
Fácil de interpretar (White Box)	Propensa a Overfitting (decoreba)
Requer pouca limpeza de dados	Instável (pequenas mudanças nos dados mudam a árvore)
Lida com dados numéricos e categóricos	Viés para classes dominantes

Exemplo de Árvore de Decisão

graph TD
    A[Início: Vai chover?] -->|Sim| B(Tenho guarda-chuva?)
    A -->|Não| C(Aproveite o sol)
    B -->|Sim| D[Vá passear]
    B -->|Não| E[Fique em casa]

---

🔗 Conexões e Contexto

• Atlas: MdC - Matemática, MdC - Estratégia de vida
• Notas Relacionadas:
  • Área geral: Algoritmos | Inteligência artificial
  • Conceito Fundamental: Estruturas de Dados |
  • Evoluções (Ensemble Learning):
    • Random Forest (Várias árvores juntas)
    • Gradient Boosting (Melhoria sequencial de árvores)
  • Conceitos Relacionados: Overfitting, Poda (Pruning), Ganho de Informação.

---

📚 Referências e Fontes

Links Externos

• Wikipedia: Decision Treee

Citações Diretas