Ejecutar un árbol de clasificación
Su objetivo es predecir la proximidad al océano (ocean_proximity) de una vivienda, basándose en otras caracterÃsticas de un archivo CSV llamado housing.csv.
Una vez preprocesados, los datos se dividen en dos conjuntos usando train_test_split: un 80% para entrenamiento y un 20% para prueba, garantizando resultados reproducibles con random_state=42. Posteriormente, se crea una instancia del DecisionTreeClassifier limitando su profundidad a 4 niveles (max_depth=4) para prevenir el sobreajuste y se entrena usando el criterio de entropy.
Tras el entrenamiento, el script evalúa el rendimiento del modelo sobre el conjunto de prueba, imprimiendo su precisión (accuracy_score) y un reporte de clasificación detallado.
Primeros pasos del código de árbol de decisión, lectura del archivo .csv con una base de datos de latitud, longitud, distancia al mar, étc.
Arbol de decisión creado en el entorno Python que surge de ejecutar el programa realizado.
Asà mismo el programa arroja la matriz de confusión, de acuerdo a las estadÃsticas del programa, los datos de prueba tuvieron una precisión de 85.34%, esto quiere decir que de los datos con los cuales se puso el programa a prueba fueron predichos en su mayorÃa de forma correcta, buscando que el modelo prediga la proximidad al mar.
