Ventajas y desventajas de los árboles de decisión

Los árboles de decisión son diagramas que pretenden mostrar la gama de posibles resultados y las decisiones posteriores después de la inicial. Por ejemplo, tu resolución original puede ser si ir a la universidad, y el árbol podría intentar mostrar cuanto tiempo te tomaría hacer diferentes actividades y tu poder adquisitivo sobre la base de tu decisión. Hay varios pros y contras notables del uso de estos.

Uno de los aspectos más útiles de los árboles de decisión es que te obligan a considerar tantos resultados posibles de una resolución, como te puedas imaginar. Puede ser peligroso tomar tus decisiones súbitas-del-momento sin tener en cuenta la gama de consecuencias. Un árbol de decisión puede ayudar a sopesar los posibles resultados de una decisión en contra de otra. En algunos casos, incluso puede ayudarte a calcular pagos esperados de las resoluciones. Por ejemplo, si creas estimaciones en dólares de valor de todos los resultados y las probabilidades asociadas con cada resultado, puedes utilizar estos números para calcular que la decisión inicial dará lugar a la mayor rentabilidad financiera media. Estos proporcionarán un marco para considerar la probabilidad y los pagos de las determinaciones, lo que puede ayudar a analizar la más informada posible.

Un inconveniente de la utilización de árboles de decisión es que los resultados, las decisiones y los pagos posteriores se basarán fundamentalmente en las expectativas. Cuando éstas se hacen reales, los beneficios y los resultados podrían no ser las mismos que las que has planeado. Podría ser imposible planificar para todas las contingencias que pueden surgir como consecuencia de una decisión. Esto puede conducir a un árbol de decisión no realista, que podría orientar un mal resultado. Además, los eventos inesperados pueden alterarlas y cambiar los pagos en un árbol de decisión. Por ejemplo, si esperas que tus padres paguen la mitad de tu colegio cuando decidas ir a ésta, pero más tarde descubres que tendrás que pagar por la totalidad de tu matrícula, estos serán dramáticamente diferentes de la realidad.

Los árboles de decisión son relativamente fáciles de entender cuando hay pocas decisiones y resultados incluidos en éste. Los que son grandes, que incluyen docenas de nodos de decisión (puntos donde las decisiones son hechas nuevas) pueden ser complicados y tener un valor limitado. Cuanto más resoluciones haya en un árbol, es probable que sean menos precisos los resultados esperados. Por ejemplo, si haces un mapeo para ir a la universidad, probablemente no podrás predecir con precisión las posibilidades de generar más de 100.000 dólares en diez años, pero podrías ser capaz de estimar con precisión tu poder de ganancia después de salir de ésta.