Un árbol de decisión divide las entradas con una secuencia de reglas de umbral. A diferencia de un modelo lineal, puede representar interacciones sin que tengas que añadir antes una columna de interacción. Un árbol de clasificación predice categorías, mientras que un árbol de regresión predice valores numéricos dentro de sus hojas. Los dos pueden memorizar muestras de entrenamiento pequeñas si los dejas crecer sin límite.
Los límites de profundidad restringen el número de decisiones sucesivas. Las tareas indican un max_depth pequeño y un random_state para que puedas comparar ajustes de forma repetible. Los árboles no suelen necesitar estandarización, porque reescalar una variable numérica conserva su orden. Aun así, necesitan un conjunto reservado honesto. Entrenar con las filas de prueba o cambiar un clasificador por un regresor no cumple el experimento, aunque el código resultante se ejecute y devuelva un número por fila.
El estimador ajustado aprende de la partición de entrenamiento. Predecir las entradas reservadas da una salida por cada observación de prueba, lista para evaluarla.