Ventajas y desventajas de los árboles de decisión

Los árboles de decisión son diagramas que intentan mostrar el rango de resultados posibles y decisiones subsiguientes tras una decisión inicial. Por ejemplo, su decisión original podría ser si ir a la universidad, y el árbol intentaría mostrar cuánto tiempo se dedicaría a distintas actividades y su poder adquisitivo según su decisión. Hay varios pros y contras notables al usar árboles de decisión.

Considerar consecuencias

Uno de los aspectos más útiles de los árboles de decisión es que le obligan a considerar tantos resultados posibles de una decisión como pueda imaginar. Puede ser peligroso tomar decisiones impulsivas sin considerar el rango de consecuencias. Un árbol de decisión le ayuda a ponderar las consecuencias probables de una decisión frente a otra. En algunos casos, incluso ayuda a estimar los beneficios esperados. Por ejemplo, si crea estimaciones en valor monetario de todos los resultados y probabilidades asociadas, puede usar esos números para calcular qué decisión inicial conduce al mayor beneficio financiero medio. Los árboles de decisión proporcionan un marco para considerar probabilidad y beneficios, ayudándole a analizar una decisión para tomar la más informada posible.

Expectativas

Un inconveniente de usar árboles de decisión es que los resultados, decisiones subsiguientes y beneficios pueden basarse principalmente en expectativas. Cuando se toman decisiones reales, los beneficios y decisiones resultantes pueden no ser los planificados. Puede ser imposible planificar todas las contingencias que surjan de una decisión. Esto puede llevar a un árbol irreal que le guíe a una mala decisión. También eventos inesperados pueden alterar decisiones y cambiar beneficios. Por ejemplo, si espera que sus padres paguen la mitad de la universidad al decidir ir, pero luego descubre que debe pagar toda la matrícula, sus beneficios esperados serán dramáticamente distintos de la realidad.

Complejidad

Los árboles de decisión son relativamente fáciles de entender cuando hay pocas decisiones y resultados. Árboles grandes con docenas de nodos de decisión (puntos donde se toman nuevas decisiones) pueden ser convolutos y tener valor limitado. Cuantas más decisiones haya en un árbol, menos precisos serán los resultados esperados. Por ejemplo, si hace un árbol para la decisión de ir a la universidad, probablemente no podrá predecir con precisión las probabilidades de ganar más de 100.000 $ en diez años, pero quizás pueda estimar su poder adquisitivo tras terminar la universidad.