Geri

Características del Algoritmo ID3
Recursividad
La división de los ejemplos originales en nuevos subconjuntos que implica la bifurcación al pasar por un atributo, constituye, para cada subconjunto,un nuevo problema de aprendizaje de AD (con menos ejemplos y un atributo menos).
Se pueden presentar 4 casos:
1. Si el nuevo subconjunto tiene ejemplos positivos y negativos, escoger nuevamenteel mejor atributo y bifurcar.
2. Si el nuevo subconjunto está formado por un solo tipo de ejemplos, se ha llegado a un nodo hoja.
3. Si en el caso 1 no existiesen ya más atributos (datosincorrectos, ruido...), utilizar el voto de mayoría de los ejemplos del nodo padre.
4. Si el nuevo subconjunto es vacío (datos no representativos), utilizar el voto de mayoría de los ejemplos del nodopadre.

INCOVENIENTES
* Favorece indirectamente a aquellos atributos con muchos valores, los cuales no tienen que ser los más útiles.
* Genera árboles de decisión a partir de ejemplos departida.
* Conflictos en la base de conocimientos donde diferentes soluciones se alcanzan con variables con los mismos valores asociados.
* Manejo discreto de los valores de las variables (rangospara discretizar una variable continua).
* Generación de grandes árboles de decisión que no representan garantía de reglas eficientes.
* Aplicables sólo a problemas de clasificación ydiagnóstico.
* La generación de conclusiones intermedias se encuentra implícito en la generación de reglas a partir de la tabla de inducción (no se aprecia discriminación en el árbol de decisión).

ARBOLDE DECISIÓN

Clasificadores basados en árboles para instancias (datos) representados como vectores de características (features).
Nodos prueban características, hay una rama para cada valor de lacaracterística, las hojas especifican la categoría.

Pueden representar cualquier conjunción (AND) y disyunción (OR)
Pueden representar cualquier función de clasificación de vectores de...