[MÚSICA] Hemos visto los aspectos básicos de los
árboles de decisión, los cuales son un tipo clasificador que pueden ser usados en un
rango de diferentes tipos de datos. Sin embargo, los árboles de decisión
son muy propensos al sobreajuste. Entonces, vamos a profundizar un poco en este
módulo en cómo podemos evitar el sobreajuste en el contexto de árboles de decisión. Y como recordatorio, vamos a seguir
utilizando como ejemplo nuestro sistema de evaluación de solicitud de préstamo,
donde los datos de préstamos llegarán y vamos a ser capaces de predecir si
el préstamo es seguro o arriesgado. Y así, esa es la toma de decisión
que estamos intentando hacer. Y de esa solicitud de préstamo,
vamos a aprender el árbol de decisión que nos permite
recorrer el árbol y realizar la predicción de si un
préstamo en particular es seguro o arriesgado. Y así, la entrada será xi, y la salida va a ser ŷi 
que vamos a predecir de los datos. Primero, hagamos una revisión
del sobreajuste y luego veamos en cómo ocurre en árboles de decisión,
lo cual, anticipo, va a ser realmente malo. Como recordamos, el sobreajuste es el hecho
que separa el error de entrenamiento, el cual tiende a cero a medida incrementamos
la complejidad de nuestro modelo, y el error verdadero, el cual disminuye con la complejidad
del modelo, pero luego se incrementa. Más específicamente, el sobreajuste
sucede cuando acabamos con un modelo ŵ, que tiene error de entrenamiento bajo,
pero error verdadero alto. Pero había otro modelo, o 
parámetros de modelo, w* , que tenía tal vez error de entrenamiento mas alto,
pero definitivamente error verdadero mas pequeño. Y ése es el problema del sobreajuste. Y cuando de alguna manera, elegimos un modelo
con menor complejidad para evitar ese tipo de sobreajuste. Vimos este efecto, en regresión logística, 
muy pronunciadamente a medida que incrementamos el grado del polinomio,
obteníamos una frontera de decisión más y más irregular, donde vimos sobreajuste,
lo cual era un mal sobreajuste aquí Pero el sobreajuste para polinomios de 
grado seis y luego polinomios de grado 20 para las características,
este es un término técnico que uso. Creo  que utilizo frontera de decisión "loca",
pero llamémosle sobreajuste "loco". Algo realmente malo. Y por eso, estamos intentando
evitar modelos excesivamente complejos. Y como veremos con árboles de decisión, los modelos pueden hacerse
demasiado complejos muy rapidamente. [MÚSICA]