Introducción a los Árboles de Decisión: Clasificación de Correos Spam

muy bien señores estudiantes continuamos entonces definiendo lo que es un árbol edición

una vez visto el ejemplo proporcionado anteriormente en esta imagen que tenemos aquí podemos

ver básicamente lo que es un árbol de decisión vemos un árbol de edición contiene un nodo

que se denomina normalmente a raíz a medida que se van haciendo preguntas sobre ese nodo se van abriendo otros

nodos de acuerdo a la respuesta que se van dando esos nodos se llaman interiores

cuando uno llega finalmente a un nodo que yá específica la clase

o el tipo de dato que se está buscando esos nodos se llaman hojas específicamente estos dos árboles de

decisión que aparecen en estas imágenes sirven para clasificar si un correo que se recibe es spam o no

es spam de acuerdo a que de acuerdo a ciertas preguntas que se van haciendo

en cuanto al contenido del correo entonces cómo podemos definir lo que es un árbol de decisión es un método de

segmentación progresiva qué sirve para qué y resolver problemas de discriminación o

de clasificación en un conjunto de datos lo que el árbol procura es que los datos queden separados de la mejor manera

posible o más específicamente de la manera más homogénea posible trata de crear conjuntos o grupos de los datos

homogéneos ahora veamos el data set referente al árbol que clasifica correo como el pan o

no es pan vemos que estamos trabajando sobre tres atributos que son

si tiene palabras sospechosas el correo si el remitente es desconocido si contiene imágenes el correo en base a

eso pues ya tenemos correos que han sido clasificados como spam o como no spam ahora

volviendo nuevamente a hacer la comparación con el ejemplo anterior del juego de adivina quién y qué pasa si

nosotros preguntamos por la variable de palabras sospechosas al principio automáticamente

y yo voy a tener clasificaciones en dos conjuntos una para cuando si hay palabras

sospechosas en el correo y otra para cuando no hay y si nos damos cuenta automáticamente reordenando los datos ya

tenemos los datos clasificados en spam o no spam que no es más que el árbol pequeñito

que teníamos en la diapositiva anterior de acuerdo pero por ejemplo qué sucede si

preguntamos por la variable de remitente desconocido fíjense muy bien que si nosotros

hacemos la pregunta por esa variable automáticamente no vamos a tener una separación de la

clase como cuando se pregunta por variable sospechosa si nos damos cuenta y a la clase queda entre mezclada

entonces supongo que es claro que podemos ver que esta variable de palabra sospechosa se

para mejor la clase la variable remitente es conocido entonces que podemos decir qué

palabra sospechosa tiene más ganancia de información que la variable remitente desconocido y eso es lo que vamos a

tratar ahora de definir qué es ganancia de información en una variable en un árbol de decisión