Análisis geoespacial de la distribución de puntos de recarga para vehículos eléctricos en la Comunidad Valenciana

Construir la base de una tarifa de seguros de automóviles

Los árboles de decisión representan una alternativa a los modelos de regresión para resolver problemas tanto de clasificación como de predicción numérica. Existen diversos algoritmos para desarrollar árboles de decisión, como ID3, CART, C4.5, C5.0, y CHAID, entre otros. En R, hay una variedad de paquetes disponibles para la construcción de árboles y conjuntos de árboles, como rpart, ipred, adabag, fastAdaboost, ada, tree, treebag, C5.0, party, CHAID, gbm, deepboost, xgboost, h2o, e1071, evtree y ranger, entre otros. Para obtener detalles específicos sobre estos algoritmos y sus ajustes de parámetros, se puede consultar la sección 6 y 7 de la documentación (vignette) de la librería caret. Esta documentación también incluye múltiples variantes implementadas como diferentes métodos. En este documento exploraremos ejemplos de cómo construir tanto un árbol único como bosques aleatorios.

Use the database “Income_WorkingHours.xlsx”. 1. Propose a research question (must be original!), 2. Describe your initial hypotheses, 3. Explain the methodology to be used, how the question is going to be answered, 4. Analyse the data to answer the question, 5. Present the results, 6. Present your conclusions.