La búsqueda codiciosa (GS) o búsqueda exhaustiva juega un papel crucial en los árboles de decisión y sus diversas extensiones. Presentamos un método de división alternativo llamado sustituto de sigmoides suaves (SSS) en el que la función de umbral del indicador utilizada en GS se aproxima mediante una función sigmoide suave. Este enfoque permite un suavizado paramétrico o regularización del proceso GS errático y discreto, lo que lo hace más efectivo para identificar el verdadero punto de corte, especialmente en presencia de señales débiles, y menos propenso al problema inherente de preferencia por los extremos de corte. Además, SSS proporciona un medio conveniente para evaluar la mejor división haciendo referencia a un modelo no lineal paramétrico. Además, en muchas variantes de particionamiento recursivo, SSS puede reformularse como un problema de optimización suave unidimensional, lo que lo hace computacionalmente más eficiente que GS. Se proporcionan extensos estudios de simulación y ejemplos de datos reales para evaluar y demostrar su efectividad.