⚡ Árbol de decisión para el triaje de urgencias

En el capítulo 4, el equipo de Minermont quiere un sistema que sugiera el nivel de urgencia de cada paciente de urgencias, del 1 (rojo) al 5 (azul), siempre como apoyo a la enfermera de triaje. Este notebook estudia el árbol de decisión, el modelo que más entusiasma a Teresa porque se parece a cómo piensan las enfermeras en el triaje, y también sus dos debilidades.

El notebook interactivo incluye:

• La impureza de Gini y la búsqueda de la mejor división, a mano, comparadas con scikit-learn.
• Un árbol sin límites: 100% en los datos de entrenamiento y mucho peor con pacientes nuevos.
• Elección de la profundidad máxima con validación cruzada.
• Un árbol pequeño dibujado y escrito como reglas que los clínicos pueden leer y comprobar.
• Umbrales rígidos (un año de edad cambia el nivel) e inestabilidad (dos árboles entrenados con casi los mismos datos no coinciden).
• Evaluación final con la matriz de confusión y las métricas por clase.

¿Quieres modificar el código y experimentar por tu cuenta?
Abre el notebook en Google Colab

Bibliografía

• Breiman, L., Friedman, J., Olshen, R. y Stone, C. (1984). Classification and Regression Trees. Wadsworth; reeditado por Chapman & Hall/CRC. El libro que introdujo CART, el algoritmo que usa scikit-learn. https://doi.org/10.1201/9781315139470 🇬🇧 (en inglés)
• Guía de scikit-learn – Árboles de decisión: clasificación, control de la complejidad y los criterios de Gini y entropía. https://scikit-learn.org/stable/modules/tree.html 🇬🇧 (en inglés)
• Referencia de scikit-learn – DecisionTreeClassifier: max_depth, min_samples_leaf y los demás parámetros. https://scikit-learn.org/stable/modules/generated/sklearn.tree.DecisionTreeClassifier.html 🇬🇧 (en inglés)