決策樹怎麼用

(1) 決策樹包含了決策點，通常用方格或方塊表示，在該點表示決策者必須做出某種選擇；機會點，用圓圈表示，通常表示有機會存在。

先畫一個方框作為出發點，叫做決策點； （2） 從決策點向右引出若干條支線（樹枝線），每條支線代表一個方案，叫做方案枝； （3） 在每個方案枝的末端畫一個圓圈，叫做狀態點； （4） 估計每個方案發生的概率，並把它註明在在該種方案的分支上，稱為概率枝； （5） 估計每個方案發生後產生的損益值，收益用正值表示，損失用負值表示； （6） 計算每個方案的期望價值，期望價值=損益值x該方案的概率； （7） 如果問題只需要一級決策，在概率枝末端畫△表示終點，並寫上各個自然狀態的損益值； （8） 如果是多級決策，則用決策點□代替終點△重複上述步驟繼續畫出決策樹。 （9） 計算決策期望值，決策期望值=由此決策而發生的所有方案期望價值之和； （10） 根據決策期望值做出決策。

決策樹分析法是通過決策樹圖形展示臨床重要結局，明確思路，比較各種備選方案預期結果進行決策的方法。

決策樹分析法通常有6個步驟。

第一步：明確決策問題，確定備選方案。對要解決的問題應該有清楚的界定，應該列出所有可能的備選方案。

第二步：繪出決策樹圖形。決策樹用3種不同的符號分別表示決策結、機會結、結局結。決策結用圖形符號如方框表示，放在決策樹的左端，每個備選方案用從該結引出的]個臂（線條）表示；實施每一個備選方案時都司能發生一系列受機遇控制的機會事件，用圖形符號圓圈表示，稱為機會結，每一個機會結司以有多個直接結局，例如某種治療方案有3個結局（治癒、改善、藥物毒性致死），則機會結有3個臂。最終結局用圖形符號如小三角形表示，稱為結局結，總是放在決策樹最右端。從左至右機會結的順序應該依照事件的時間先後關係而定。但不管機會結有多少個結局，從每個機會結引出的結局必須是互相排斥的狀態，不能互相包容或交叉。

第三步：明確各種結局可能出現的概率。可以從文獻中類似的病人去查詢相關的概率，也可以從臨床經驗進行推測。所有這些概率都要在決策樹上標示出來。在為每一個機會結髮出的直接結局臂標記發生概率時，必須注意各概率相加之和必須為1.0。

第四步：對最終結局用適宜的效用值賦值。效用值是病人對健康狀態偏好程度的測量，通常應用0-1的數字表示，一般最好的健康狀態為1，死亡為0。有時可以用壽命年、質量調整壽命年表示。

第五步：計算每一種備遠方案的期望值。計算期望值的方法是從"樹尖"開始向"樹根"的方向進行計算，將每一個機會結所有的結局效用值與其發生概率分別相乘，其總和為該機會結的期望效用值。在每一個決策臂中，各機會結的期望效用值分別與其發生概率相乘，其總和為該決策方案的期望效用值，選擇期望值最高的備選方案為決策方案。

第六步：應用敏感性試驗對決策分析的結論進行測試。敏感分析的目的是測試決策分析結論的真實性。敏感分析要回答的問題是當概率及結局效用值等在一個合理的範圍內變動時，決策分析的結論會不會改變。

(1)繪製決策樹圖。從左到右的順序畫決策樹，此過程本身就是對決策問題的再分析過程。

(2)按從右到左的順序計算各方案的期望 值，並將結果寫在相應方案節點上方。期望值的計算是從右到左沿著決策樹的反方向進行計算的。

(3)對比各方案的期望值的大小，進行剪枝優選。在捨去備選方案枝上，用“=”記號隔斷。

決策樹是一個預測模型；他代表的是物件屬性與物件值之間的一種對映關係。樹中每個節點表示某個物件，而每個分叉路徑則代表的某個可能的屬性值，而每個葉結點則對應從根節點到該葉節點所經歷的路徑所表示的物件的值。決策樹僅有單一輸出，若欲有複數輸出，可以建立獨立的決策樹以處理不同輸出。資料探勘中決策樹是一種經常要用到的技術，可以用於分析資料，同樣也可以用來作預測。

從資料產生決策樹的機器學習技術叫做決策樹學習， 通俗說就是決策樹。

一個決策樹包含三種類型的節點： 決策節點：通常用矩形框來表示 機會節點：通常用圓圈來表示 終結點：通常用三角形來表示

決策樹是用二元樹形圖來表示處理邏輯的一種工具。

可以直觀、清晰地表達加工的邏輯要求。特別適合於判斷因素比較少、邏輯組合關係不復雜的情況。

決策樹提供了一種展示類似在什麼條件下會得到什麼值這類規則的方法。比如，在貸款申請中，要對申請的風險大小做出判斷，圖是為了解決這個問題而建立的一棵決策樹，從中我們可以看到決策樹的基本組成部分：決策節點、分支和葉子。

決策樹中最上面的節點稱為根節點，是整個決策樹的開始。本例中根節點是“收入>￥40,000”，對此問題的不同回答產生了“是”和“否”兩個分支。

決策樹的每個節點子節點的個數與決策樹在用的演算法有關。如CART演算法得到的決策樹每個節點有兩個分支，這種樹稱為二元樹。

允許節點含有多於兩個子節點的樹稱為多叉樹。 每個分支要麼是一個新的決策節點，要麼是樹的結尾，稱為葉子。

在沿著決策樹從上到下遍歷的過程中，在每個節點都會遇到一個問題，對每個節點上問題的不同回答導致不同的分支，最後會到達一個葉子節點。這個過程就是利用決策樹進行分類的過程，利用幾個變數（每個變數對應一個問題）來判斷所屬的類別（最後每個葉子會對應一個類別）。

假如負責借貸的銀行官員利用上面這棵決策樹來決定支援哪些貸款和拒絕哪些貸款，那麼他就可以用貸款申請表來執行這棵決策樹，用決策樹來判斷風險的大小。“年收入>￥40,00”和“高負債”的使用者被認為是“高風險”，同時“收入< ￥40,000”但“工作時間>5年”的申請，則被認為“低風險”而建議貸款給他/她。

資料探勘中決策樹是一種經常要用到的技術，可以用於分析資料，同樣也可以用來作預測（就像上面的銀行官員用他來預測貸款風險）。常用的演算法有CHAID、CART、Quest 和C5.0。

建立決策樹的過程，即樹的生長過程是不斷的把資料進行切分的過程，每次切分對應一個問題，也對應著一個節點。對每個切分都要求分成的組之間的“差異”最大。

各種決策樹演算法之間的主要區別就是對這個“差異”衡量方式的區別。對具體衡量方式演算法的討論超出了本文的範圍，在此我們只需要把切分看成是把一組資料分成幾份，份與份之間儘量不同，而同一份內的資料儘量相同。

這個切分的過程也可稱為資料的“純化 ”。看我們的例子，包含兩個類別--低風險和高風險。

如果經過一次切分後得到的分組，每個分組中的資料都屬於同一個類別，顯然達到這樣效果的切分方法就是我們所追求的。 到現在為止我們所討論的例子都是非常簡單的，樹也容易理解，當然實際中應用的決策樹可能非常複雜。

假定我們利用歷史資料建立了一個包含幾百個屬性、輸出的類有十幾種的決策樹，這樣的一棵樹對人來說可能太複雜了，但每一條從根結點到葉子節點的路徑所描述的含義仍然是可以理解的。決策樹的這種易理解性對資料探勘的使用者來說是一個顯著的優點。

然而決策樹的這種明確性可能帶來誤導。比如，決策樹每個節點對應分割的定義都是非常明確毫不含糊的，但在實際生活中這種明確可能帶來麻煩（憑什麼說年收入￥40,001的人具有較小的信用風險而￥40,000的人就沒有）。

建立一顆決策樹可能只要對資料庫進行幾遍掃描之後就能完成，這也意味著需要的計算資源較少，而且可以很容易的處理包含很多預測變數的情況，因此決策樹模型可以建立得很快，並適合應用到大量的資料上。 對最終要拿給人看的決策樹來說，在建立過程中讓其生長的太“枝繁葉茂”是沒有必要的，這樣既降低了樹的可理解性和可用性，同時也使決策樹本身對歷史資料的依賴性增大，也就是說這是這棵決策樹對此歷史資料可能非常準確，一旦應用到新的資料時準確性卻急劇下降，我們稱這種情況為訓練過度。

為了使得到的決策樹所蘊含的規則具有普遍意義，必須防止訓練過度，同時也減少了訓練的時間。因此我們需要有一種方法能讓我們在適當的時候停止樹的生長。

常用的方法是設定決策樹的最大高度（層數）來限制樹的生長。還有一種方法是設定每個節點必須包含的最少記錄數，當節點中記錄的個數小於這個數值時就停止分割。

與設定停止增長條件相對應的是在樹建立好之後對其進行修剪。先允許樹儘量生長，然後再把樹修剪到較小的尺寸，當然在修剪的同時要求儘量保持決策樹的準確度儘量不要下降太多。

對決策樹常見的批評是說其在為一個節點選擇怎樣進行分割時使用“貪心”演算法。此種演算法在決定當前這個分割時根本不考慮此次選擇會對將來的分割造成什麼樣的影響。

換句話說，所有的分割都是順序完成的，一個節點完成分割之後不可能以後再有機會回過頭來再考察此次分割的合理性，每次分割都是依賴於他前面的分割方法，也就是說決策樹中所有的分割都受根結點的第一次分割的影響，只要第一次分割有一點點不同，那麼由此得到的整個決策樹就會完全不同。那麼是否在選擇一個節點的分割的同時向後考慮兩層甚至更多的方法，會具有更好的結果呢？目前我們知道的還不是很清楚，但至少這種方法使建立決策樹的計算量成倍的增長，因此現在還沒有哪個產品使用這種方法。

而且，通常的分割演算法在決定怎麼在一個節點。

方法一：利用單元格格式中的邊框實現 1。

利用單元格中分行的效果：首先在單元格中輸入“性別”，這時候如果按回車鍵的話，游標就會轉到其他單元格中去，所以必須按“Alt+回車鍵”，游標轉到下一行，接著輸入“姓名”，然後再在“性別”前加入若干空格（或插入文字框分別輸入性別、姓名），達到效果。 2。

在單元格中設定斜線：選擇單元格，在右鍵選單中選擇“設定單元格格式”，在出現的對話方塊中選擇“邊框”標籤，進行斜線的設定。 優勢：能夠比較迅速地繪出標準的斜線表頭。

劣勢：只能在單元格中畫出對角斜線，並不能畫出任意斜線。 方法二：利用繪圖工具實現，這也是大家比較常用的一種方式。

首先在Excel中選擇一個單元格，然後開啟Excel的“繪圖”工具欄，單擊該工具欄的“直線”圖示，將所需要的線段全部畫在工作表上，並調整好合適的位置，可以為表格創建出任意樣式的斜線表頭來。下面我們就說明具體制作。

1。製作字元文字框 注意：為了能在斜線區域中方便地調整字元位置，使字元在斜線區域中合理地佈局，需要將每一文字框中設定只有一個字元。

其原因也很簡單，這樣能儘可能減小表頭空間大小，從而將表頭做得更加緊湊。使用“方框”按鈕可以方便地在斜線上下方新增文字，但文字周圍有邊框，要想取消，可選中文字框，調出快捷選單，選擇“物件格式”→“圖案”，選擇“無邊框”即可。

2。建立直線物件 單擊“繪圖”按鈕，選取“直線”，滑鼠變成十字形狀，將直線移至要新增斜線的開始位置，按滑鼠左鍵拖動至終止位置，釋放滑鼠，斜線就畫出來了。

3。組合斜線表頭 在組合斜線表頭時，最好按照從上到下的次序進行。

首先，將一條直線放入表頭中，單擊滑鼠使直線出現編輯點，然後分別拖動線段兩端的編輯點，將直線與斜線表頭表格線上的相應位置相重合，然後在該線的中段產生一個新的編輯點，將直線拖放到表格線的相應位置上； 這樣斜線區域就設定好了；最後，再新增該斜線區域中的標題字元或影象，這一區域的全部操作就完成了。 優勢：能夠實現各種不規則的斜線表頭。

劣勢：對於初學者來說難度頗高，需要一定的技巧。 方法三：貼上Word中已制好的斜線表頭 對於Word中有多種新增斜線表頭的方式，如“表格”選單中的“繪製斜線表頭”即有多種樣式，也可按上述方法操作繪製斜線表頭，完成大家熟悉的表頭製作後，複製到Excel中，同樣可達到相應的效果。

優勢：這種方法最為簡便，也很省力。 劣勢：Word只提供了五種斜線表頭樣式，選擇範圍有限。

決策樹是確定生產能力方案的一條簡捷的途徑。決策樹不僅可以幫助人們理解問題，還可以幫助人們解決問題。決策樹是一種通過圖示羅列解題的有關步驟以及各步驟發生的條件與結果的一種方法。近年來出現的許多專門軟體包可以用來建立和分析決策樹，利用這些專門軟體包，解決問題就變得更為簡便了。

決策樹由決策結點、機會結點與結點間的分枝連線組成。通常，人們用方框表示決策結點，用圓圈表示機會結點，從決策結點引出的分枝連線表示決策者可作出的選擇，從機會結點引出的分枝連線表示機會結點所示事件發生的概率。

在利用決策樹解題時，應從決策樹末端起，從後向前，步步推進到決策樹的始端。在向前推進的過程中，應在每一階段計算事件發生的期望值。需特別注意：如果決策樹所處理問題的計劃期較長，計算時應考慮資金的時間價值。

計算完畢後，開始對決策樹進行剪枝，在每個決策結點刪去除了最高期望值以外的其他所有分枝，最後步步推進到第一個決策結點，這時就找到了問題的最佳方案。

下面以南方醫院供應公司為例，看一看如何利用決策樹作出合適的生產能力計劃。

南方醫院供應公司是一家制造醫護人員的工裝大褂的公司。該公司正在考慮擴大生產能力。它可以有以下幾個選擇：1、什麼也不做；2、建一個小廠；3、建一箇中型廠；4、建一個大廠。新增加的裝置將生產一種新型的大褂，目前該產品的潛力或市場還是未知數。如果建一個大廠且市場較好就可實現$100,000的利潤。如果市場不好則會導致$90,000的損失。但是，如果市場較好，建中型廠將會獲得$ 60,000，小型廠將會獲得$40,000，市場不好則建中型廠將會損失$10,000，小型廠將會損失$5,000。當然，還有一個選擇就是什麼也不幹。最近的市場研究表明市場好的概率是0.4，也就是說市場不好的概率是0.6。參下圖：

在這些資料的基礎上，能產生最大的預期貨幣價值（EMV）的選擇就可找到。

EMV（建大廠）=（0.4）*($100,000)+(0.6)*(-$90,000)=-$14,000 EMV（中型廠）=（0.4） *($ 600,000))+(0.6)* (-$10,000)=+$18,000 EMV（建小廠）=（0.4）* ($40,000)+(0.6)*(-$5,000)=+$13,000 EMV（不建廠）=$0 根據EMV標準，南方公司應該建一箇中型廠。

決策樹的適用範圍：

科學的決策是現代管理者的一項重要職責。我們在企業管理實踐中，常遇到的情景是：若干個可行性方案制訂出來了，分析一下企業內、外部環境，大部分條件是己知的，但還存在一定的不確定因素。每個方案的執行都可能出現幾種結果，各種結果的出現有一定的概率，企業決策存在著一定的勝算，也存在著一定的風險。這時，決策的標準只能是期望值。即，各種狀態下的加權平均值。

針對上述問題，用決策樹法來解決不失為一種好的選擇。

決策樹法作為一種決策技術，已被廣泛地應用於企業的投資決策之中，它是隨機決策模型中最常見、最普及的一種規策模式和方法此方法，有效地控制了決策帶來的風險。所謂決策樹法，就是運用樹狀圖表示各決策的期望值，通過計算，最終優選出效益最大、成本最小的決策方法。決策樹法屬於風險型決策方法，不同於確定型決策方法，二者適用的條件也不同。應用決策樹決策方法必須具備以下條件：

1、具有決策者期望達到的明確目標；

2、存在決策者可以選擇的兩個以上的可行備選方案；

3、存在著決策者無法控制的兩種以上的自然狀態（如氣候變化、市場行情、經濟發展動向等）；

5、不同行動方案在不同自然狀態下的收益值或損失值（簡稱損益值）可以計算出來；

6、決策者能估計出不同的自然狀態發生概率。

決策樹（decisiontree）一般都是自上而下的來生成的。每個決策或事件（即自然狀態）都可能引出兩個或多個事件，導致不同的結果，把這種決策分支畫成圖形很像一棵樹的枝幹，故稱決策樹。