Rozhodovací strom - přehled, typy rozhodnutí, aplikace

Rozhodovací strom je podpůrný nástroj se stromovou strukturou, která modeluje pravděpodobné výsledky, náklady na zdroje, nástroje a možné důsledky. Rozhodovací stromy poskytují způsob, jak prezentovat algoritmy Algoritmy (Algos) Algoritmy (Algos) jsou sada instrukcí, které se zavádějí k provedení úkolu. Algoritmy se zavádějí k automatizaci obchodování za účelem generování zisků na frekvenci nemožné pro lidského obchodníka s podmíněnými kontrolními výkazy . Zahrnují odvětví, která představují rozhodovací kroky, které mohou vést k příznivému výsledku.

Rozhodovací stromyObrázek 1. Strom jednoduchého rozhodování (zdroj)

Struktura vývojového diagramu zahrnuje vnitřní uzly, které představují testy nebo atributy v každé fázi. Každá větev znamená výsledek atributů, zatímco cesta od listu ke kořenu představuje pravidla pro klasifikaci.

Rozhodovací stromy jsou jednou z nejlepších forem algoritmů učení založených na různých metodách učení. Posilují prediktivní modely s přesností, snadnou interpretací a stabilitou. Nástroje jsou také účinné při přizpůsobování nelineárních vztahů, protože jsou schopny řešit výzvy přizpůsobení dat, jako je regrese a klasifikace.

souhrn

  • K efektivnímu zpracování nelineárních datových sad se používají rozhodovací stromy.
  • Nástroj rozhodovacího stromu se používá v reálném životě v mnoha oblastech, jako je strojírenství, civilní plánování, právo a podnikání.
  • Rozhodovací stromy lze rozdělit do dvou typů; kategorické proměnné a spojité proměnné rozhodovací stromy.

Druhy rozhodnutí

Existují dva hlavní typy rozhodovacích stromů, které jsou založeny na cílové proměnné, tj. Kategorické rozhodovací stromy proměnných a spojité rozhodovací stromy proměnných.

1. Kategorický proměnný rozhodovací strom

Rozhodovací strom kategorické proměnné zahrnuje kategorické cílové proměnné, které jsou rozděleny do kategorií. Například kategorie mohou být ano nebo ne. Kategorie znamenají, že každá fáze rozhodovacího procesu spadá do jedné z kategorií a neexistují mezi sebou.

2. Kontinuální proměnný rozhodovací strom

Kontinuální proměnný rozhodovací strom je rozhodovací strom se spojitou cílovou proměnnou. Například příjem jednotlivce, jehož příjem není znám, lze předpovědět na základě dostupných informací, jako je jeho povolání, věk a další průběžné proměnné.

Aplikace rozhodovacích stromů

1. Posouzení potenciálních růstových příležitostí

Jedna z aplikací rozhodovacích stromů zahrnuje hodnocení potenciálních růstových příležitostí pro podniky na základě historických dat. Historická data o prodeji lze použít v rozhodovacích stromech, které mohou vést k radikálním změnám ve strategii podniku, které pomohou při expanzi a růstu.

2. Využití demografických údajů k vyhledání potenciálních klientů

Další aplikací rozhodovacích stromů je použití demografických dat. Demografie Demografie odkazují na socioekonomické charakteristiky populace, kterou podniky používají k identifikaci preferencí produktů a nákupního chování zákazníků. Díky vlastnostem cílového trhu si společnosti mohou vytvořit profil své zákaznické základny. najít potenciální klienty. Mohou pomoci při zefektivnění marketingového rozpočtu a při přijímání informovaných rozhodnutí na cílovém trhu, na který je podnikání zaměřeno. Při absenci rozhodovacích stromů může podnik utratit svůj marketingový trh, aniž by měl na paměti konkrétní demografické údaje, což ovlivní jeho celkové výnosy.

3. Slouží jako podpůrný nástroj v několika oblastech

Věřitelé také pomocí rozhodovacích stromů předpovídají pravděpodobnost, že zákazník nesplácí půjčku, a to uplatněním prediktivního generování modelu pomocí minulých údajů klienta. Použití nástroje na podporu rozhodovacího stromu může věřitelům pomoci při hodnocení úvěruschopnosti zákazníka, aby se zabránilo ztrátám.

Rozhodovací stromy lze také použít v operačním výzkumu při plánování logistiky a strategického řízení. Strategické řízení Strategické řízení je formulace a implementace hlavních cílů a iniciativ, které jménem organizace podniká nejvyšší vedení organizace. Mohou pomoci při určování vhodných strategií, které společnosti pomohou dosáhnout jejích zamýšlených cílů. Mezi další oblasti, kde lze rozhodovací stromy použít, patří strojírenství, vzdělávání, právo, obchod, zdravotnictví a finance.

Výhody rozhodovacích stromů

1. Snadno čitelné a interpretovatelné

Jednou z výhod rozhodovacích stromů je, že jejich výstupy jsou snadno čitelné a interpretovatelné, aniž by vyžadovaly statistické znalosti. Například při použití rozhodovacích stromů k prezentaci demografických informací o zákaznících mohou pracovníci marketingového oddělení číst a interpretovat grafické znázornění dat, aniž by vyžadovali statistické znalosti.

Data lze také použít ke generování důležitých poznatků o pravděpodobnostech, nákladech a alternativách různých strategií formulovaných marketingovým oddělením.

2. Snadná příprava

Ve srovnání s jinými rozhodovacími technikami vyžadují rozhodovací stromy při přípravě dat menší úsilí. Uživatelé však musí mít připravené informace, aby mohli vytvářet nové proměnné se schopností předpovídat cílovou proměnnou. Mohou také vytvářet klasifikace dat, aniž by museli počítat složité výpočty. Pro složité situace mohou uživatelé kombinovat rozhodovací stromy s jinými metodami.

3. Vyžaduje se méně čištění dat

Další výhodou rozhodovacích stromů je, že po vytvoření proměnných je vyžadováno méně čištění dat. Případy chybějících hodnot a odlehlých hodnot mají menší význam pro data rozhodovacího stromu.

Nevýhody rozhodovacích stromů

1. Nestabilní povaha

Jedním z omezení rozhodovacích stromů je, že jsou do značné míry nestabilní ve srovnání s jinými rozhodovacími prediktory. Malá změna v datech může mít za následek zásadní změnu ve struktuře rozhodovacího stromu, což může zprostředkovat odlišný výsledek od toho, co uživatelé dostanou za normální události. Výslednou změnu výsledku lze spravovat pomocí algoritmů strojového učení, jako je podpora Boosting Boosting je algoritmus, který pomáhá snižovat rozptyl a zkreslení v souboru strojového učení. Algoritmus pomáhá při přeměně slabých studentů a pytlování Bagging (Bootstrap Aggregation) Strojové učení souboru lze hlavně rozdělit do pytlování a posilování. Technika pytlování je užitečná jak pro regresi, tak pro statistiku.

2. Méně efektivní při předpovídání výsledku spojité proměnné

Kromě toho jsou rozhodovací stromy méně účinné při vytváření předpovědí, když je hlavním cílem předpovědět výsledek spojité proměnné. Je to proto, že rozhodovací stromy mají tendenci ztrácet informace při kategorizaci proměnných do více kategorií.

Další zdroje

Finance je oficiálním poskytovatelem Certified Banking & Credit Analyst (CBCA) ™ Certifikace CBCA ™ Certifikace Certified Banking & Credit Analyst (CBCA) ™ je celosvětovým standardem pro úvěrové analytiky, který zahrnuje finance, účetnictví, kreditní analýzu, analýzu peněžních toků, modelování smluv, splácení půjček atd. certifikační program, jehož cílem je transformovat kohokoli na špičkového finančního analytika.

Abychom se dál učili a rozvíjeli své znalosti finanční analýzy, velmi doporučujeme další finanční zdroje uvedené níže:

  • Nezávislé události Nezávislé události Ve statistikách a teorii pravděpodobnosti jsou nezávislé události dvě události, kde výskyt jedné události neovlivní výskyt jiné události
  • Šablony vývojových diagramů Šablony vývojových diagramů Vývojové diagramy jsou skvělé pro stručný popis obchodních procesů bez kompromisů ve struktuře a detailech. Níže jsou uvedeny čtyři šablony vývojových diagramů
  • Vzájemně se vylučující události Vzájemně se vylučující události Ve statistikách a teorii pravděpodobnosti se dvě události vzájemně vylučují, pokud nemohou nastat současně. Nejjednodušší příklad vzájemně se vylučujícího
  • Stromový diagram Stromový diagram Stromový diagram se používá v matematice - konkrétněji v teorii pravděpodobnosti - jako nástroj, který pomáhá vypočítat a poskytnout vizuální reprezentaci

Poslední příspěvky