决策树
作者：互联网
一个决策树 是一种决策支持工具，它采用了树状 模型的决定及其可能产生的后果，包括偶然事件的结果，资源成本和效用。它是显示仅包含条件控制语句的算法的一种方法。
决策树通常用于运营研究，特别是决策分析，以帮助确定最有可能达到目标的策略，但也是机器学习中的流行工具。
内容
概述[ 编辑]
决策树是类似于流程图的结构，其中每个内部节点表示对属性的“测试”（例如，硬币翻转是否出现在头部或尾部），每个分支代表测试的结果，并且每个叶节点表示class label（在计算所有属性后做出的决定）。从根到叶的路径表示分类规则。
在决策分析中，决策树和密切相关的影响图被用作视觉和分析决策支持工具，其中计算竞争备选方案的预期值（或预期效用）。
决策树由三种类型的节点组成：[1]
- 决策节点 - 通常由正方形表示
- 机会节点 - 通常由圆圈表示
- 结束节点 - 通常由三角形表示
决策树通常用于运营研究和运营管理。如果在实践中决策必须在线进行而不是在不完全知识下进行召回，则决策树应与概率模型并行作为最佳选择模型或在线选择模型算法。一种用途是作为计算条件概率的描述性手段。
决策树，影响图，效用函数和其他决策分析工具和方法被教授给商业，卫生经济学和公共卫生学院的本科学生，并且是运筹学或管理科学方法的例子。
决策树构建块[ 编辑]
决策树元素[ 编辑]
转存失败
从左到右绘制，决策树仅具有突发节点（分裂路径）但没有汇聚节点（会聚路径）。因此，手动使用，它们可以变得非常大，然后通常很难用手完全绘制。传统上，决策树已经手动创建 - 如旁边的示例所示 - 尽管越来越多地使用专门的软件。
决策规则[ 编辑]
决策树可以线性化为决策规则，[2]其中结果是叶节点的内容，沿路径的条件在if子句中形成一个连接。一般来说，规则的形式如下：
如果 condition1 和 condition2 和 condition3 然后结果。
可以通过在右侧构建具有目标变量的关联规则来生成决策规则。它们也可以表示时间或因果关系。[3]
使用流程图符号的决策树[ 编辑]
通常使用流程图符号绘制决策树，因为许多人更容易阅读和理解。
分析示例[ 编辑]
在这种情况下的基本解释是，公司更倾向于B风险和实际风险偏好系数下的收益（超过40万美元 - 在该风险规避范围内，公司需要建立第三种策略，“A和B都不是”） 。
另一个通常用于运营研究课程的例子是在海滩上分发救生员（又名“生活在海滩”的例子）。[4]该例子描述了两个带救生员的海滩，分布在每个海滩上。最高预算B可以在两个海滩之间分配（总计），并且使用边际回报表，分析师可以决定为每个海滩分配多少救生员。
| 每个海滩上的救生员 | 总共阻止了溺水，海滩＃1 | 总共阻止了溺水，海滩＃2 |
|---|---|---|
| 1 | 1 | 3 |
| 2 | 4 | 0 |
在这个例子中，可以绘制决策树来说明在＃2海滩上收益递减的原则。
海滩决策树
决策树说明，当顺序分配救生员时，如果只有1名救生员的预算，将第一救生员放在海滩＃1上将是最佳的。但是如果有两名警卫的预算，那么将两者放在＃2海滩上可以防止更多的整体溺水。
救生员
影响图[ 编辑]
决策树中的大部分信息可以更紧凑地表示为影响图，将注意力集中在事件之间的问题和关系上。
左侧的矩形表示决策，椭圆表示操作，菱形表示结果。
关联规则归纳[ 编辑]
决策树也可以被视为来自经验数据的归纳规则的生成模型。然后将最优决策树定义为占大多数数据的树，同时最小化级别（或“问题”）的数量。[5]已经设计了几种生成这种最佳树的算法，例如ID3 / 4/5，[6]CLS，ASSISTANT和CART。
优点和缺点[ 编辑]
在决策支持工具中，决策树（和影响图）具有几个优点。决策树：
- 很容易理解和解释。经过简短的解释，人们能够理解决策树模型。
- 即使只有很少的硬数据也有价值。可以基于描述情况（其替代方案，概率和成本）的专家及其对结果的偏好来生成重要见解。
- 帮助确定不同方案的最差，最佳和预期值。
- 使用白盒模型。如果给定结果由模型提供。
- 可以与其他决策技术结合使用。
决策树的缺点：
- 它们是不稳定的，这意味着数据的微小变化可能导致最优决策树结构的巨大变化。
- 它们通常相对不准确。许多其他预测因子使用类似数据表现更好。这可以通过用决策树的随机森林替换单个决策树来解决，但随机森林不像单个决策树那样容易解释。
- 对于包括具有不同级别数的分类变量的数据，决策树中的信息增益偏向于具有更多级别的那些属性。[7]
- 计算可能变得非常复杂，特别是如果许多值不确定和/或许多结果是相关的。
标签：决策,海滩,决策树,节点,转存,救生员 来源： https://blog.csdn.net/qq_24624539/article/details/90320775