Drzewo decyzyjne to narzędzie pomocnicze o strukturze podobnej do drzewa, które modeluje prawdopodobne wyniki, koszt zasobów, mediów i możliwe konsekwencje. Drzewa decyzyjne zapewniają sposób na przedstawienie algorytmów Algorytmy (Algos) Algorytmy (Algos) to zestaw instrukcji wprowadzanych w celu wykonania zadania Algorytmy są wprowadzane w celu zautomatyzowania handlu w celu generowania zysków z częstotliwością niemożliwą do osiągnięcia przez człowieka tradera za pomocą warunkowych instrukcji kontrolnych . Obejmują one gałęzie, które reprezentują kroki decyzyjne, które mogą prowadzić do korzystnego wyniku.
Rysunek 1. Proste drzewo decyzyjne (źródło)
Struktura schematu blokowego obejmuje wewnętrzne węzły, które reprezentują testy lub atrybuty na każdym etapie. Każda gałąź reprezentuje wynik dla atrybutów, podczas gdy ścieżka od liścia do korzenia reprezentuje reguły klasyfikacji.
Drzewa decyzyjne są jedną z najlepszych form algorytmów uczenia się opartych na różnych metodach uczenia się. Zwiększają precyzję, łatwość interpretacji i stabilność modeli predykcyjnych. Narzędzia są również skuteczne w dopasowywaniu relacji nieliniowych, ponieważ są w stanie rozwiązywać wyzwania związane z dopasowywaniem danych, takie jak regresja i klasyfikacje.
Podsumowanie
- Drzewa decyzyjne są używane do efektywnej obsługi nieliniowych zbiorów danych.
- Drzewo decyzyjne jest używane w prawdziwym życiu w wielu dziedzinach, takich jak inżynieria, planowanie cywilne, prawo i biznes.
- Drzewa decyzyjne można podzielić na dwa typy; Drzewa decyzyjne zmiennych kategorialnych i zmiennych ciągłych.
Rodzaje decyzji
Istnieją dwa główne typy drzew decyzyjnych, które są oparte na zmiennej docelowej, tj. Drzewa decyzyjne ze zmiennymi kategorialnymi i drzewa decyzyjne ze zmiennymi ciągłymi.
1. Drzewo decyzyjne zmiennych kategorialnych
Drzewo decyzyjne zmiennych jakościowych obejmuje jakościowe zmienne docelowe, które są podzielone na kategorie. Na przykład kategorie mogą być tak lub nie. Kategorie oznaczają, że każdy etap procesu decyzyjnego należy do jednej z kategorii i nie ma elementów pośrednich.
2. Ciągłe drzewo decyzyjne zmiennych
Drzewo decyzyjne ze zmienną ciągłą to drzewo decyzyjne z ciągłą zmienną docelową. Na przykład dochód osoby, której dochód jest nieznany, można przewidzieć na podstawie dostępnych informacji, takich jak zawód, wiek i inne zmienne ciągłe.
Zastosowania drzew decyzyjnych
1. Ocena potencjalnych możliwości rozwoju
Jednym z zastosowań drzew decyzyjnych jest ocena perspektywicznych możliwości rozwoju firm na podstawie danych historycznych. Dane historyczne o sprzedaży mogą być wykorzystywane w drzewach decyzyjnych, które mogą prowadzić do radykalnych zmian w strategii firmy, aby pomóc w ekspansji i rozwoju.
2. Wykorzystanie danych demograficznych do znalezienia potencjalnych klientów
Innym zastosowaniem drzew decyzyjnych jest wykorzystanie danych demograficznych. Demografia Demografia odnosi się do społeczno-ekonomicznych cech populacji, których przedsiębiorstwa używają do identyfikowania preferencji produktowych i zachowań zakupowych klientów. Dzięki cechom rynku docelowego firmy mogą budować profil dla swojej bazy klientów. znaleźć potencjalnych klientów. Mogą pomóc w usprawnieniu budżetu marketingowego i podejmowaniu świadomych decyzji na rynku docelowym, na którym koncentruje się firma. W przypadku braku drzew decyzyjnych firma może spędzić swój rynek marketingowy bez określonej grupy demograficznej, co wpłynie na jej ogólne przychody.
3. Służy jako narzędzie wsparcia w kilku dziedzinach
Pożyczkodawcy używają również drzew decyzyjnych do przewidywania prawdopodobieństwa niespłacenia pożyczki przez klienta, stosując predykcyjne generowanie modelu na podstawie wcześniejszych danych klienta. Użycie narzędzia wspomagającego drzewo decyzyjne może pomóc pożyczkodawcom w ocenie zdolności kredytowej klienta, aby zapobiec stratom.
Drzewa decyzyjne mogą być również wykorzystywane w badaniach operacyjnych w planowaniu logistyki i zarządzaniu strategicznym. Zarządzanie strategiczne Zarządzanie strategiczne to formułowanie i realizacja głównych celów i inicjatyw podejmowanych przez najwyższe kierownictwo organizacji w jej imieniu. Mogą pomóc w określeniu odpowiednich strategii, które pomogą firmie osiągnąć zamierzone cele. Inne dziedziny, w których można zastosować drzewa decyzyjne, to inżynieria, edukacja, prawo, biznes, opieka zdrowotna i finanse.
Zalety drzew decyzyjnych
1. Łatwe do odczytania i zinterpretowania
Jedną z zalet drzew decyzyjnych jest to, że ich wyniki są łatwe do odczytania i zinterpretowania, nawet bez konieczności posiadania wiedzy statystycznej. Na przykład, używając drzew decyzyjnych do prezentowania informacji demograficznych o klientach, pracownicy działu marketingu mogą odczytywać i interpretować graficzne przedstawienie danych bez konieczności posiadania wiedzy statystycznej.
Dane mogą być również wykorzystywane do generowania ważnych informacji na temat prawdopodobieństw, kosztów i alternatyw dla różnych strategii formułowanych przez dział marketingu.
2. Łatwe do przygotowania
W porównaniu z innymi technikami decyzyjnymi, drzewa decyzyjne wymagają mniej wysiłku przy przygotowaniu danych. Użytkownicy muszą jednak mieć gotowe informacje, aby tworzyć nowe zmienne z mocą przewidywania zmiennej docelowej. Mogą również tworzyć klasyfikacje danych bez konieczności wykonywania skomplikowanych obliczeń. W złożonych sytuacjach użytkownicy mogą łączyć drzewa decyzyjne z innymi metodami.
3. Wymagane mniejsze czyszczenie danych
Kolejną zaletą drzew decyzyjnych jest to, że po utworzeniu zmiennych wymagane jest mniej czyszczenia danych. Przypadki braków danych i wartości odstających mają mniejsze znaczenie dla danych drzewa decyzyjnego.
Wady drzew decyzyjnych
1. Niestabilna natura
Jednym z ograniczeń drzew decyzyjnych jest to, że są one w dużej mierze niestabilne w porównaniu z innymi predyktorami decyzyjnymi. Niewielka zmiana danych może spowodować poważną zmianę w strukturze drzewa decyzyjnego, która może przekazać inny wynik niż ten, który użytkownicy otrzymają w normalnym przypadku. Wynikająca z tego zmiana wyniku może być zarządzana przez algorytmy uczenia maszynowego, takie jak zwiększanie Zwiększanie Zwiększanie to algorytm, który pomaga w zmniejszaniu wariancji i stronniczości w zespole uczenia maszynowego. Algorytm pomaga w konwersji słabych uczniów i gromadzeniu danych w workach (agregacja Bootstrap) Uczenie maszynowe w zespole można podzielić głównie na gromadzenie i przyspieszanie. Technika workowania jest przydatna zarówno w przypadku regresji, jak i statystyki.
2. Mniej skuteczne w przewidywaniu wyniku zmiennej ciągłej
Ponadto drzewa decyzyjne są mniej skuteczne w prognozowaniu, gdy głównym celem jest przewidywanie wyniku zmiennej ciągłej. Dzieje się tak, ponieważ drzewa decyzyjne tracą informacje podczas kategoryzowania zmiennych na wiele kategorii.
Więcej zasobów
Finance jest oficjalnym dostawcą Certyfikatu Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Akredytacja Certified Banking & Credit Analyst (CBCA) ™ to globalny standard dla analityków kredytowych obejmujący finanse, rachunkowość, analizę kredytową, analizę przepływów pieniężnych, modelowanie warunków umowy, spłaty pożyczek i nie tylko. program certyfikacji, mający na celu przekształcenie każdego w światowej klasy analityka finansowego.
Aby dalej uczyć się i rozwijać swoją wiedzę na temat analizy finansowej, zdecydowanie zalecamy poniższe dodatkowe zasoby finansowe:
- Zdarzenia niezależne Zdarzenia niezależne W statystyce i teorii prawdopodobieństwa zdarzenia niezależne to dwa zdarzenia, w których wystąpienie jednego zdarzenia nie wpływa na wystąpienie innego zdarzenia
- Szablony schematów blokowych Szablony schematów blokowych Schematy blokowe doskonale nadają się do zwięzłego opisywania procesów biznesowych bez uszczerbku dla struktury i szczegółów. Poniżej znajdują się cztery przykładowe szablony schematów blokowych
- Wzajemnie wykluczające się zdarzenia Wzajemnie wykluczające się zdarzenia W statystyce i teorii prawdopodobieństwa dwa zdarzenia wykluczają się wzajemnie, jeśli nie mogą wystąpić w tym samym czasie. Najprostszy przykład wzajemnego wykluczania się
- Diagram drzewa Diagram drzewa Diagram drzewa jest używany w matematyce - a dokładniej w teorii prawdopodobieństwa - jako narzędzie pomagające w obliczaniu i zapewnianiu wizualnej reprezentacji
