Regresión con árboles DecisionTreeRegressor

En este reto, vas a implementar un modelo de regresión usando DecisionTreeRegressor de Scikit-learn para predecir el precio de viviendas. Utilizarás el dataset de Boston Housing proporcionado por sklearn.datasets y evaluarás el rendimiento del modelo aplicado. Observa cómo se ajusta un DecisionTreeRegressor al conjunto de datos y cómo se evalúa su rendimiento con métricas de regresión.

1. Carga de datos: Utiliza el dataset load_diabetes de sklearn.datasets. Separa sus características (X) y su variable objetivo (y).
2. División del conjunto de datos: Divide los datos en conjuntos de entrenamiento y prueba usando un 80/20.
3. Creación del modelo: Configura un DecisionTreeRegressor con un límite de depth=5 y random_state=42.
4. Entrenamiento del modelo: Ajusta el modelo a los datos de entrenamiento.
5. Predicción: Realiza predicciones sobre el conjunto de prueba.
6. Evaluación del modelo: Calcula y muestra métricas como el error cuadrático medio (MSE) y el coeficiente de determinación (R²) y la MAE.
7. Visualización del árbol: Genera un diagrama del árbol de decisión utilizando plot_tree para interpretabilidad.