Sprendimų medis yra pagalbinė priemonė, kurios struktūra panaši į medį, kuri modeliuoja tikėtinus rezultatus, išteklių kainą, komunalines paslaugas ir galimas pasekmes. Sprendimų medžiai suteikia galimybę pateikti algoritmus. Algoritmai (Algos). Algoritmai (Algos) yra instrukcijų rinkinys, įvestas užduočiai atlikti. Algoritmai pristatomi siekiant automatizuoti prekybą, kad būtų gaunamas pelnas tokiu dažnumu, kurio neįmanoma parduoti prekiautojui žmogui su sąlyginėmis kontrolės ataskaitomis. . Jie apima filialus, kurie atstovauja sprendimų priėmimo žingsniams, kurie gali sukelti palankų rezultatą.
1 pav. Paprastas sprendimų medis (šaltinis)
Srauto schemos struktūra apima vidinius mazgus, kurie atspindi testus ar atributus kiekviename etape. Kiekviena šaka reiškia atributų rezultatą, o kelias nuo lapo iki šaknies reiškia klasifikavimo taisykles.
Sprendimų medžiai yra viena iš geriausių mokymosi algoritmų, pagrįstų įvairiais mokymosi metodais, formų. Jie padidina nuspėjamuosius modelius tiksliai, lengvai interpretuojami ir stabiliai. Priemonės taip pat veiksmingos pritaikant netiesinius ryšius, nes jos gali išspręsti duomenų pritaikymo uždavinius, tokius kaip regresija ir klasifikacijos.
Santrauka
- Sprendimų medžiai naudojami efektyviai tvarkant nelinijinius duomenų rinkinius.
- Sprendimų medžio įrankis naudojamas realiame gyvenime daugelyje sričių, tokių kaip inžinerija, civilinis planavimas, teisė ir verslas.
- Sprendimų medžius galima suskirstyti į du tipus; kategorinių kintamųjų ir nuolatinių kintamųjų sprendimų medžiai.
Sprendimų rūšys
Yra du pagrindiniai sprendimų medžių tipai, kurie yra pagrįsti tiksliniu kintamuoju, t. Y., Kategoriški kintamojo sprendimo medžiai ir nuolatinio kintamojo sprendimo medžiai.
1. Kategorinio kintamojo sprendimų medis
Kategoriškų kintamųjų sprendimų medis apima kategorinius tikslinius kintamuosius, kurie yra suskirstyti į kategorijas. Pavyzdžiui, kategorijos gali būti „taip“ arba „ne“. Kategorijos reiškia, kad kiekvienas sprendimo proceso etapas patenka į vieną iš kategorijų ir tarp jų nėra.
2. Nuolatinis kintamųjų sprendimų medis
Nuolatinio kintamojo sprendimų medis yra sprendimų medis su tęstiniu tiksliniu kintamuoju. Pavyzdžiui, asmens, kurio pajamos nežinomos, pajamas galima numatyti remiantis turima informacija, tokia kaip jo profesija, amžius ir kiti nuolatiniai kintamieji.
Sprendimų medžių taikymas
1. Būsimų augimo galimybių įvertinimas
Viena iš sprendimų medžių taikymo sritis apima perspektyvių verslo augimo galimybių įvertinimą remiantis istoriniais duomenimis. Istoriniai pardavimų duomenys gali būti naudojami sprendimų medžiuose, kurie gali paskatinti radikaliai pakeisti verslo strategiją, kad padėtų plėstis ir augti.
2. Demografinių duomenų naudojimas ieškant potencialių klientų
Kitas sprendimų medžių pritaikymas yra demografinių duomenų naudojimas. Demografiniai rodikliai Demografiniai rodikliai reiškia socialines ir ekonomines gyventojų charakteristikas, kurias verslas naudoja norėdamas nustatyti produktų pageidavimus ir pirkėjų elgseną. Atsižvelgdamos į savo tikslinės rinkos ypatybes, įmonės gali sukurti savo klientų bazės profilį. rasti potencialius klientus. Jie gali padėti supaprastinti rinkodaros biudžetą ir priimti pagrįstus sprendimus tikslinėje rinkoje, į kurią orientuotas verslas. Nesant sprendimų medžių, verslas gali išleisti savo rinkodaros rinką neturėdamas omenyje konkrečios demografinės padėties, o tai turės įtakos bendrosioms pajamoms.
3. Tarnauja kaip palaikymo priemonė keliuose laukuose
Skolintojai taip pat naudoja sprendimų medžius, norėdami numatyti tikimybę, kad klientas neįvykdys paskolos, taikydami nuspėjamojo modelio generavimą, naudodami ankstesnius kliento duomenis. Sprendimų medžio palaikymo priemonės naudojimas gali padėti skolintojams įvertinti kliento kreditingumą, kad būtų išvengta nuostolių.
Sprendimų medžiai taip pat gali būti naudojami atliekant operacijų tyrimus planuojant logistiką ir strateginį valdymą. Strateginis valdymas Strateginis valdymas yra pagrindinių tikslų ir iniciatyvų, kurių organizacijos vardu imasi organizacija, formulavimas ir įgyvendinimas. Jie gali padėti nustatyti tinkamas strategijas, kurios padės įmonei pasiekti numatytus tikslus. Kitos sritys, kuriose galima pritaikyti sprendimų medžius, yra inžinerija, švietimas, teisė, verslas, sveikatos priežiūra ir finansai.
Sprendimų medžių privalumai
1. Lengva skaityti ir interpretuoti
Vienas iš sprendimų medžių privalumų yra tas, kad jų rezultatus lengva skaityti ir interpretuoti, net nereikia statistinių žinių. Pavyzdžiui, naudodami sprendimų medžius demografinei informacijai apie klientus pateikti, rinkodaros skyriaus darbuotojai gali skaityti ir interpretuoti grafinį duomenų vaizdą nereikalaudami statistinių žinių.
Duomenys taip pat gali būti naudojami generuojant svarbias įžvalgas apie rinkodaros skyriaus suformuluotų įvairių strategijų tikimybes, išlaidas ir alternatyvas.
2. Lengva paruošti
Palyginti su kitomis sprendimų priėmimo technologijomis, sprendimų medžiai reikalauja mažiau pastangų rengiant duomenis. Tačiau vartotojai turi turėti parengtą informaciją, kad galėtų sukurti naujus kintamuosius, galinčius numatyti tikslinį kintamąjį. Jie taip pat gali kurti duomenų klasifikacijas nereikalaudami skaičiuoti sudėtingų skaičiavimų. Sudėtingose situacijose vartotojai gali derinti sprendimų medžius su kitais metodais.
3. Reikia mažiau duomenų išvalyti
Kitas sprendimų medžių privalumas yra tas, kad sukūrus kintamuosius, reikia mažiau valyti duomenis. Trūkstamų verčių ir išskirtinių atvejų atvejai turi mažiau reikšmės sprendimų medžio duomenims.
Sprendimų medžių trūkumai
1. Nestabili prigimtis
Vienas iš sprendimų medžių apribojimų yra tas, kad jie iš esmės yra nestabilūs, palyginti su kitais sprendimų numatymo veiksniais. Nedidelis duomenų pasikeitimas gali lemti esminį sprendimų medžio struktūros pasikeitimą, kuris gali perteikti kitokį rezultatą, nei vartotojai gaus įprastu atveju. Gautą rezultato pokytį galima valdyti mašininio mokymosi algoritmais, pvz., „Boosting Boosting“ padidinimas yra algoritmas, kuris padeda sumažinti mašininio mokymosi ansamblio dispersiją ir šališkumą. Algoritmas padeda konvertuoti silpnus besimokančiuosius ir kaupti maišus. „Bagging“ („Bootstrap Aggregation“) ansamblio mašinų mokymąsi daugiausia galima suskirstyti į maišus ir pakėlimą. Maišavimo technika yra naudinga ir regresijai, ir statistikai.
2. Ne tokia efektyvi prognozuojant tęstinio kintamojo rezultatą
Be to, sprendimų medžiai yra mažiau veiksmingi prognozuojant, kai pagrindinis tikslas yra numatyti tęstinio kintamojo rezultatą. Taip yra todėl, kad sprendimų medžiai paprastai praranda informaciją, skirstydami kintamuosius į kelias kategorijas.
Daugiau išteklių
Finansai yra oficialus sertifikuoto bankų ir kreditų analitiko (CBCA) ™ CBCA ™ sertifikavimo teikėjas. Sertifikuoto bankų ir kreditų analitiko (CBCA) ™ akreditacija yra pasaulinis kredito analitikų standartas, apimantis finansus, apskaitą, kredito analizę, pinigų srautų analizę sandoros modeliavimas, paskolos grąžinimas ir kt. sertifikavimo programa, skirta visiems paversti pasaulinio lygio finansų analitikais.
Norėdami toliau mokytis ir tobulinti savo žinias apie finansinę analizę, labai rekomenduojame toliau pateiktus papildomus finansų išteklius:
- Nepriklausomi įvykiai Nepriklausomi įvykiai Statistikoje ir tikimybių teorijoje nepriklausomi įvykiai yra du įvykiai, kai vieno įvykio įvykis neturi įtakos kito įvykio atsiradimui
- „Blowchart“ šablonai „Blowchart“ šablonai „Blowcharts“ puikiai tinka glaustai apibūdinti verslo procesus, nepakenkiant struktūrai ir detalėms. Žemiau yra keturi pavyzdiniai schemos šablonai
- Vienas kitą išskiriantys įvykiai tarpusavyje neįtraukiantys įvykiai Statistikoje ir tikimybių teorijoje du įvykiai vienas kitą išskiria, jei jie negali įvykti vienu metu. Paprasčiausias vienas kitą išskiriantis pavyzdys
- Medžių schema Medžių schema Medžių schema naudojama matematikoje - tiksliau tikimybių teorijoje - kaip įrankis, padedantis apskaičiuoti ir vizualiai parodyti
