Применение метода анализа данных - деревья решений
Контрольная работа - Менеджмент
Другие контрольные работы по предмету Менеджмент
МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ УКРАИНЫ
ФАКУЛЬТЕТ ЭКОНОМИКИ И МЕНЕДЖМЕНТА
Кафедра экономической кибернетики
РАСЧЕТНО-ГРАФИЧЕСКАЯ РАБОТА
по дисциплине:
"Математические методы принятия решений"
Симферополь, 2010
Содержание
Теоретическая часть
Преимущества использования деревьев решений
Области применения деревьев решений
Задание
Литература
Теоретическая часть
Своевременная разработка и принятие правильного решения - главные задачи работы управленческого персонала любой организации. Непродуманное решение может дорого стоить компании. На практике результат одного решения заставляет нас принимать следующее решение и т.д. Когда нужно принять несколько решений в условиях неопределенности, когда каждое решение зависит от исхода предыдущего решения или исходов испытаний, то применяют схему, называемую деревом решений.
Деревья решений - один из методов автоматического анализа данных, основные идеи которого восходят к работам П. Ховленда (Р. Hoveland) и Е. Ханта (Е. Hunt) конца 50-х годов XX в. Их итогом явилась основополагающая монография, давшая импульс развитию этого направления.
Построение деревьев классификации - один из наиболее важных приемов, используемых при проведении "добычи данных и разведывательного анализа" (Data Mining), реализуемый как совокупность методов аналитической обработки больших массивов информации с целью выявить в них значимые закономерности и/или систематические связи между предикторными переменными, которые затем можно применить к новым совокупностям измерений.
Дерево решений представляет из себя некий графический инструмент, который помогает производить действия, такие, как: описание возможных стратегий игрока, описание неопределенных исходов (неизвестные стратегии второй стороны) и их вероятностей, вычисление EMV по стратегиям первого игрока, выбор стратегии с максимальным значением EMV. Как правило, применение этого графического средства предполагает использование следующих соглашений:
) деревья решений состоят из вершин (круги, квадраты и треугольники) и ветвей (линии);
) вершины соответствуют определенным моментам времени. Вершины-решения (квадраты) соответствуют моментам времени, когда ЛПР (лицо принимающее решение) принимает решение. Вершины-вероятности (круги) соответствуют моментам времени, когда разрешается одна из неопределенностей. Оконечные вершины (треугольники) соответствуют окончанию задачи, когда все решения приняты, все неопределенности разрешились и все платежи произошли;
) развитие ситуации во времени происходит согласно данной графической схеме слева направо;
) ветви, идущие из вершин-решений, соответствуют различным возможным решениям. Ветви, идущие из вершин-вероятностей, соответствуют различным возможным вариантам разрешения неопределенности и не являются объектом чьего-либо управления;
) вероятности соответствуют ветвям, исходящим из вершин вероятностей. Эти вероятности являются условными вероятностями при условии свершения события, соответствующего вершине, из которой они исходят. Поэтому сумма вероятностей по всем ветвям, исходящим из одной вершины, равна 1;
) каждой оконечной вершине соответствуют два числовых значения.
Первое - это вероятность прихода в данную оконечную вершину и второе - значение платежа, соответствующее данному сценарию развития событий.
Преимущества использования деревьев решений
Рассмотрев основные проблемы, возникающие при построении деревьев, было бы несправедливо не упомянуть об их достоинствах:
быстрый процесс обучения;
генерация правил в областях, где эксперту трудно формализовать свои знания;
извлечение правил на естественном языке;
интуитивно понятная классификационная модель;
высокая точность прогноза, сопоставимая с другими методами (статистика, нейронные сети);
построение непараметрических моделей.
В силу этих и многих других причин, методология деревьев решений является важным инструментом в работе каждого специалиста, занимающегося анализом данных, вне зависимости от того практик он или теоретик.
Области применения деревьев решений
Деревья решений являются прекрасным инструментом в системах поддержки принятия решений, интеллектуального анализа данных (data mining).
В состав многих пакетов, предназначенных для интеллектуального анализа данных, уже включены методы построения деревьев решений. В областях, где высока цена ошибки, они послужат отличным подспорьем аналитика или руководителя
Деревья решений успешно применяются для решения практических задач в следующих областях:
Банковское дело. Оценка кредитоспособности клиентов банка при выдаче кредитов.
Промышленность. Контроль за качеством продукции (выявление дефектов), испытания без разрушений (например проверка качества сварки) и т.д.
Медицина. Диагностика различных заболеваний.
Молекулярная биология. Анализ строения аминокислот.
дерево решение классификация управленческий
Это далеко не полный список областей где можно использовать деревья решений. Не исследованы еще многие потенциальные област