Jhan - TBM

07-tbm.Rmd

@@ -16,6 +16,7 @@ Del mismo modo, para contruir estos árboles, en teoría, las regiones pueden to
 $$\sum_{j=1}^{J}\sum_{i\epsilon R_{j}}(y_{i}-\hat{y}_{R_{j}})^2$$
 Donde $\hat{y}_{R_{j}}$ es la media de la respuesta para las observaciones de entrenamiento dentro de la *j*ésima caja.
 
+Desafortunadamente, es computacionalmente difícil considerar cada partición para cada una de las características de las *J* cajas. Por ello, se usa un enfoque de *arriba hacia abaja* y *avaro*, el cual se conoce como ramificación binaria recursiva. Se dice que es tiene un enfoque de *arriba hacia abajo*, porque comienza desde arriba del árbol raminifcando cada uno de los predictores, cada una de estas ramificación da origen a nuevas ramas más abajo en el árbol. Del mismo modo, se dice que es *avaro*, porque cada paso de la contrucción del árbol la mejor ramificación se hace en esa ramificación en lugar de mirar hacia adelante y elegir una ramificación que podría resultan en un mejor árbol en el futuro.
 
 ## Decision trees
 ## Boosting and bagging

docs/métodos-basados-en-árboles-jhan.html

@@ -256,6 +256,7 @@ <h2><span class="header-section-number">7.1</span> Árboles de regresión<a href
 <p>Del mismo modo, para contruir estos árboles, en teoría, las regiones pueden tomar cualquier forma. Sin embargo, podemos dividir los predictores en en <em>cajas</em> de altas dimensiones, esto para simplificar la interpretabilidad de los resultados del modelo. El objetivo de esto es encontrar las cajas <span class="math inline">\(R_{1}\)</span>,…,<span class="math inline">\(R_{j}\)</span> que minimicen el RSS, esto está dado por</p>
 <p><span class="math display">\[\sum_{j=1}^{J}\sum_{i\epsilon R_{j}}(y_{i}-\hat{y}_{R_{j}})^2\]</span>
 Donde <span class="math inline">\(\hat{y}_{R_{j}}\)</span> es la media de la respuesta para las observaciones de entrenamiento dentro de la <em>j</em>ésima caja.</p>
+<p>Desafortunadamente, es computacionalmente difícil considerar cada partición para cada una de las características de las <em>J</em> cajas. Por ello, se usa un enfoque de <em>arriba hacia abaja</em> y <em>avaro</em>, el cual se conoce como ramificación binaria recursiva. Se dice que es tiene un enfoque de <em>arriba hacia abajo</em>, porque comienza desde arriba del árbol raminifcando cada uno de los predictores, cada una de estas ramificación da origen a nuevas ramas más abajo en el árbol. Del mismo modo, se dice que es <em>avaro</em>, porque cada paso de la contrucción del árbol la mejor ramificación se hace en esa ramificación en lugar de mirar hacia adelante y elegir una ramificación que podría resultan en un mejor árbol en el futuro.</p>
 </div>
 <div id="decision-trees" class="section level2 hasAnchor" number="7.2">
 <h2><span class="header-section-number">7.2</span> Decision trees<a href="métodos-basados-en-árboles-jhan.html#decision-trees" class="anchor-section" aria-label="Anchor link to header"></a></h2>