Дерево решений Лыскова Марина Александровна МИ-11 М

Дерево решений Лыскова Марина Александровна МИ-11 М

Дерево решений – это схема всех возможных действий и результатов реализации инвестиционного проекта, обладающая древовидной структурой. 1. использование информации, приобретенной в процессе подготовки к принятию решения 2. осознание последовательного характера процесса принятия решения

Узлы дерева l Узел решений – соответствует моменту времени, в котором ЛПР принимает решение, обозначается квадратиком. l Узел событий – соответствует моменту времени, в котором исходы решений носят случайный характер, обозначается кружком. l Конечный узел, в котором заканчиваются ветви решений или ветви событий, обозначается жирной точкой.

Ветви дерева l Ветви решений – исходят из узла решений, соответствуют возможным решениям. Возле ветвей решений проставляются величины затрат, связанные с принятием данного решения. l Ветви событий – исходят из узла событий и соответствуют случайным исходам решений. Возле каждой ветви событий проставляется вероятность ( ) соответствующей неопределенности. l Конечные ветви – заканчивают дерево решений и оканчиваются конечными узлами, которые означают конкретные действия, принимаемые для решения возникшей ситуации

Этапы стратегического мышления

Пример Резко снижается конкурентоспособность продукта А, который производит компания. Причина — высокие затраты. Необходимо уменьшить затраты, но как? Анализ прошлых тенденций и изменений внешней среды компании и продукта А помогут ответить на этот вопрос.

Дерево решений

Варианты изменения продукта

Выводы. Преимущества метода * Графическое представление решаемых проблем; * Высокая точность прогноза, сопоставимая с другими методами (статистика, нейронные сети); *Деревья решений дают возможность извлекать правила из базы данных на естественном языке. *На сегодняшний день существует значительное число алгоритмов, реализующих деревья решений CART, C 4. 5, New. Id, ITrule, CHAID, CN 2 и т. д. *Разработан ряд масштабируемых алгоритмов, которые могут быть использованы для построения деревьев решения на сверхбольших базах данных. Это SLIQ, SPRINT.

*Большинство алгоритмов конструирования деревьев решений имеют возможность специальной обработки пропущенных значений. *Быстрый процесс обучения. На построение классификационных моделей при помощи алгоритмов конструирования деревьев решений требуется значительно меньше времени, чем, например, на обучение нейронных сетей. Если не получается построить дерево решений, значит, данная задача не пригодна для подобного представления.