Ett beslutsträd är ett stödverktyg med en trädliknande struktur som modellerar sannolika resultat, resurskostnader, verktyg och möjliga konsekvenser. Beslutsträd ger ett sätt att presentera algoritmer Algoritmer (Algos) Algoritmer (Algos) är en uppsättning instruktioner som introduceras för att utföra en uppgift. Algoritmer introduceras för att automatisera handel för att generera vinster med en frekvens som är omöjlig för en mänsklig näringsidkare med villkorliga kontrolluttalanden . De inkluderar filialer som representerar beslutssteg som kan leda till ett gynnsamt resultat.
Figur 1. Enkelt beslutsträd (källa)
Flödesdiagramstrukturen innehåller interna noder som representerar tester eller attribut i varje steg. Varje gren står för ett resultat för attributen, medan vägen från bladet till roten representerar regler för klassificering.
Beslutsträd är en av de bästa formerna för inlärningsalgoritmer baserade på olika inlärningsmetoder. De ökar förutsägbara modeller med noggrannhet, tolkning och stabilitet. Verktygen är också effektiva för att passa icke-linjära förhållanden eftersom de kan lösa datatillpassade utmaningar, såsom regression och klassificeringar.
Sammanfattning
- Beslutsträd används för att hantera icke-linjära datamängder effektivt.
- Beslutsträdverktyget används i verkliga livet på många områden, såsom teknik, civil planering, juridik och affärer.
- Beslutsträd kan delas in i två typer; kategoriska variabla och kontinuerliga variabla beslutsträd.
Typer av beslut
Det finns två huvudtyper av beslutsträd som är baserade på målvariabeln, dvs. kategoriska variabla beslutsträd och kontinuerliga variabla beslutsträd.
1. Kategorit variabelt beslutsträd
Ett kategorit variabelt beslutsträd innehåller kategoriska målvariabler som är indelade i kategorier. Till exempel kan kategorierna vara ja eller nej. Kategorierna innebär att varje steg i beslutsprocessen faller i en av kategorierna, och det finns inga mellanliggande.
2. Kontinuerligt variabelt beslutsträd
Ett kontinuerligt variabelt beslutsträd är ett beslutsträd med en kontinuerlig målvariabel. Till exempel kan inkomst för en individ vars inkomst är okänd förutsägas baserat på tillgänglig information såsom yrke, ålder och andra kontinuerliga variabler.
Tillämpningar av beslutsträd
1. Bedömning av potentiella tillväxtmöjligheter
En av tillämpningarna av beslutsträd är att utvärdera potentiella tillväxtmöjligheter för företag baserat på historiska data. Historiska data om försäljning kan användas i beslutsträd som kan leda till radikala förändringar i en företags strategi för att hjälpa till med expansion och tillväxt.
2. Använda demografisk information för att hitta potentiella kunder
En annan tillämpning av beslutsträd är användningen av demografiska uppgifter Demografi Demografi hänvisar till de socioekonomiska egenskaperna hos en befolkning som företag använder för att identifiera kundernas produktpreferenser och köpbeteende. Med målgruppens egenskaper kan företag bygga en profil för sin kundbas. för att hitta potentiella kunder. De kan hjälpa till att effektivisera en marknadsföringsbudget och fatta välgrundade beslut på den målmarknad som verksamheten är fokuserad på. I avsaknad av beslutsträd kan företaget tillbringa sin marknadsföringsmarknad utan en specifik demografi i åtanke, vilket kommer att påverka dess totala intäkter.
3. Fungerar som ett stödverktyg inom flera områden
Långivare använder också beslutsträd för att förutsäga sannolikheten för att en kund inte betalar ett lån genom att tillämpa förutsägbar modellgenerering med hjälp av kundens tidigare data. Användningen av ett beslutsträdsstödverktyg kan hjälpa långivare att utvärdera kundens kreditvärdighet för att förhindra förluster.
Beslutsträd kan också användas i verksamhetsforskning vid planering av logistik och strategisk ledning Strategisk ledning Strategisk ledning är formuleringen och genomförandet av viktiga mål och initiativ som tagits av en organisations högsta ledning på dess vägnar. De kan hjälpa till att bestämma lämpliga strategier som hjälper ett företag att uppnå sina avsedda mål. Andra områden där beslutsträd kan tillämpas är teknik, utbildning, juridik, företag, hälso- och sjukvård och ekonomi.
Fördelar med beslutsträd
1. Lätt att läsa och tolka
En av fördelarna med beslutsträd är att deras resultat är lätta att läsa och tolka, utan att ens kräva statistisk kunskap. Till exempel, när man använder beslutsträd för att presentera demografisk information för kunderna, kan marknadsavdelningspersonalen läsa och tolka den grafiska representationen av data utan att kräva statistisk kunskap.
Uppgifterna kan också användas för att skapa viktiga insikter om sannolikheter, kostnader och alternativ till olika strategier som formulerats av marknadsavdelningen.
2. Lätt att förbereda
Jämfört med andra beslutstekniker tar beslutsträd mindre ansträngning för dataförberedelse. Användare måste dock ha färdig information för att skapa nya variabler med förmågan att förutsäga målvariabeln. De kan också skapa klassificeringar av data utan att behöva beräkna komplexa beräkningar. För komplexa situationer kan användare kombinera beslutsträd med andra metoder.
3. Mindre datarengöring krävs
En annan fördel med beslutsträd är att när variablerna har skapats krävs mindre datarengöring. Fall av saknade värden och avvikare har mindre betydelse för beslutsträdets data.
Nackdelar med beslutsträd
1. Instabil natur
En av begränsningarna för beslutsträd är att de till stor del är instabila jämfört med andra beslutsprognoser. En liten förändring av data kan leda till en större förändring i beslutsträdets struktur, vilket kan förmedla ett annat resultat än vad användarna får i en normal händelse. Den resulterande förändringen i resultatet kan hanteras av maskininlärningsalgoritmer, som att öka Boosting Boosting är en algoritm som hjälper till att minska varians och förspänning i en maskininlärningsensemble. Algoritmen hjälper till med konvertering av svaga elever och bagging Bagging (Bootstrap Aggregation) Ensemble maskininlärning kan huvudsakligen kategoriseras i bagging och boosting. Baggingstekniken är användbar för både regression och statistik.
2. Mindre effektivt för att förutsäga resultatet av en kontinuerlig variabel
Dessutom är beslutsträd mindre effektiva när det gäller att förutsäga när huvudmålet är att förutsäga resultatet av en kontinuerlig variabel. Detta beror på att beslutsträd tenderar att förlora information när de kategoriserar variabler i flera kategorier.
Fler resurser
Finance är den officiella leverantören av Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ Certification Certified Banking & Credit Analyst (CBCA) ™ ackreditering är en global standard för kreditanalytiker som täcker ekonomi, redovisning, kreditanalys, kassaflödesanalys, förbundsmodellering, återbetalning av lån och mer. certifieringsprogram, utformat för att förvandla vem som helst till en ekonomisk analytiker i världsklass.
För att fortsätta lära dig och utveckla dina kunskaper om ekonomisk analys, rekommenderar vi starkt ytterligare finansresurser nedan:
- Oberoende händelser Oberoende händelser I statistik och sannolikhetsteori är oberoende händelser två händelser där förekomsten av en händelse inte påverkar förekomsten av en annan händelse
- Flödesschemanmallar Flödesschemanmallar Flödesscheman är utmärkta för att beskriva affärsprocesser kortfattat utan att kompromissa med struktur och detalj. Nedan finns fyra exempel på flödesschemanmallar
- Ömsesidigt exklusiva händelser Ömsesidigt exklusiva händelser I statistik och sannolikhetsteori är två händelser ömsesidigt exklusiva om de inte kan inträffa samtidigt. Det enklaste exemplet på ömsesidigt uteslutande
- Träddiagram Träddiagram Ett träddiagram används i matematik - mer specifikt i sannolikhetsteorin - som ett verktyg för att beräkna och ge en visuell representation av
