TreeSeriesLab Pro

Unidad 5 · Ensembles & Series
Diapositivas U5
🎯 Misión Analítica & Pregunta Gancho Modelado no paramétrico y análisis temporal guiados por hipótesis, no manipulación pasiva de sliders.

Este simulador no es un mero juego interactivo de mover sliders sin rumbo, sino una estación de experimentación cuantitativa diseñada para contrastar la teoría matemática frente a tres dilemas fundamentales de aprendizaje estadístico y series temporales:

Desafío 1: Overfitting en Árboles de Probabilidades vs Breiman

¿Por qué un árbol CART sin podar ($d \ge 6$) genera islas rectangulares artificiales que memorizan el ruido con $R^2_{ ext{train}} pprox 1.0$ pero error de test crítico, mientras que Random Forest suaviza la frontera sin incrementar el sesgo cuando $B o \infty$?

Desafío 2: Subespacio $m = \sqrt{p}$ & Descorrelación

En la pestaña de Random Forest, evalúa el ensamble con $m=p$ (Bagging clásico) vs $m=\sqrt{p}$ (Random Forest): ¿cómo evita la selección aleatoria de variables que un predictor dominante monopolice el nodo raíz inflando la correlación $ ho$ entre árboles?

Desafío 3: La Trampa de Extrapolación en Árboles

En la pestaña de Series de Tiempo, inspecciona el pronóstico futuro ($t > t_{ ext{histórico}}$): ¿por qué los árboles predicen una meseta horizontal constante incapaz de continuar una tendencia creciente? ¿Por qué es obligatorio descomponer o diferenciar la serie antes de entrenar?

Hiperparámetros del Árbol

CART 2D
¿Por qué "Árbol de Decisión" es un término mal usado?

El algoritmo no decide. En cada hoja calcula estimaciones estadísticas: (1) Clasificación: Distribución condicional $\hat{p}_k = P(Y=k \mid X \in R_m)$ (Árbol de Probabilidades). (2) Regresión: Esperanza condicional $\hat{y} = E[Y \mid X \in R_m]$ (Árbol de Regresión). La decisión surge solo cuando el analista aplica un umbral $ au$ o matriz de costos.

3
d=1 (Stump / Alto Sesgo) d=8 (Overfitting)
5
1 (Sensible a ruido) 25 (Poda fuerte)
Estado del Modelo: Óptimo

Profundidad equilibrada. Buen compromiso entre sesgo y varianza con frontera generalizable.

Espacio de Decisión Particionado 2D ($X_1$ vs $X_2$)

Regiones ortogonales disjuntas generadas por cortes paralelos a los ejes

Train Acc: 92.4% Test Acc: 88.1%
Nodos Totales 15
Hojas Terminales 8
Impureza Ponderada 0.082
Brecha Overfitting 4.3%

Estructura Jerárquica de Divisiones (Primeros Niveles)