运用决策树分析供应链核心企业新产品开发决策
［摘要］本文运用决策树的分析方法[1]，构建了核心企业新产品开发的决策模型。并通过案例说明了核心企业作为理性的市场主体，如何运用决策树的分析方法，通过计算新产品开发最优策略的预期折现总净现值及风险概率，制定风险最小、收益最大的新产品开发策略。对企业在新产品开发决策上有效地规避风险、制定科学的新产品开发战略具有一定的指导意义。
［关键词］决策树新产品开发供应链
1 引言,
现代市场的激烈竞争导致产品寿命周期越来越短。今天热销的产品，明天就不知道命运如何。因此，企业为适应这种竞争要求，就不得不经常推出新产品，利用新产品不断上市给企业创造新的经济增长点。在供应链管理的条件下，核心企业产品开发能力的大小直接关系到整个供应链上企业群体的命运。核心企业的产品开发能力强，就能够不断推出新品种，不断引导用户产生新的消费热点，即始终有一种不断延续其在市场上发展的能力，不致因一种产品被市场淘汰而导致全线崩溃[2]。如果一个企业没有很强的产品开发和导向能力，企业不能在市场竞争中保持一种长期的发展势头，就会使其他企业失去建立稳定合作关系的信心，供应链结点上的企业就不原投入必要的资金改善产品质量或其他方面的问题，给供应链的发展带来不利的影响。同时，核心企业作为风险规避型的企业，如果新产品开发时所面临的风险导致企业在财务上很不安全，被迫破产的概率增大，核心企业有必要改变其新产品开发战略，它可以通过争取到一个现金充足的合伙人来重新制定新产品开发战略。因此，制定科学有效的新产品开发战略对企业而讲尤为重要。
国内外的学者已经对供应链环境下新产品研发的合作问题进行了大量的研究。Clark等[3]在20世纪80年代提出了制造商与供应商之间的合作关系应突破仅仅是产业链上下游的销售关系，供应商应参与到制造商的技术改进、新产品开发和产品更新等创新活动的思想。Banerjee S.等[4]在两阶段博弈的基础上研究了供应链上下游企业合作研发的问题。朱祖平[5]将技术创新类型划分为系统性创新（即必须与其他相关技术共同配套才能产生效益的创新）和独立性创新（即可以相对独立而不受其他技术限制的创新），采用理论分析与数学分析结合的方法，提出了不同创新类型条件下供应链策略的选择依据。李勇、张异[6]等通过对比两种非合作博弈和协同合作的情况下，供应链系统及供应链中的制造商和供应商研发费用投入、合作补贴政策、利润的差异，阐明了在新产品研发过程中，制造商与供应商之间最优的可行帕累托有效合作新产品研发方案。
决策树（DMT）分析：制定项目决策1．为什么使用决策树分析？ 当项目需要做出某种决策、选择某种解决方案或者确定是否存在某种风险时，决策树（decisionmakingtree）提供了一种形象化的、基于数据分析和论证的科学方法，这种方法通过严密地逻辑推导和逐级逼近地数据计算，从决策点开始，按照所分析问题的各种发展的可能性不断产生分枝，并确定每个分支发生的可能性大小以及发生后导致的货币价值多少，计算出各分枝的损益期望值，然后根据期望值中者（如求极小，则为小者）作为选择的依据，从而为确定项目、选择方案或分析风险做出理性而科学的决策。 2．决策树分析有哪些作用？ 决策树分析清楚显示出项目所有可供选择的行动方案，行动方案之间的关系，行动方案的后果，后果发生的概率，以及每种方案的损益期望值； 使纷繁复杂的决策问题变得简单、明了，并且有理有据； 用数据说话，形成科学的决策，避免单纯凭经验、凭想象而导致的决策上的失误。 3．怎么用？ (1)决策树包含了决策点，通常用方格或方块表示，在该点表示决策者必须做出某种选择；机会点，用圆圈表示，通常表示有机会存在。先画一个方框作为出发点，叫做决策点； (2)从决策点向右引出若干条支线（树枝线），每条支线代表一个方案，叫做方案枝；
(3)在每个方案枝的末端画一个圆圈，叫做状态点； (4)估计每个方案发生的概率，并把它注明在在该种方案的分支上，称为概率枝； (5)估计每个方案发生后产生的损益值,收益用正值表示,损失用负值表示； (6)计算每个方案的期望价值，期望价值=损益值x该方案的概率； (7)如果问题只需要一级决策，在概率枝末端画△表示终点，并写上各个自然状态的损益值； (8)如果是多级决策，则用决策点□代替终点△重复上述步骤继续画出决策树。 (9)计算决策期望值，决策期望值=由此决策而发生的所有方案期望价值之和；
注意答卷要求： 1．统一代号：P 为利润，C 为成本，Q 为收入，EP 为期望利润 2．画决策树时一定按照标准的决策树图形画，不要自创图形 3．决策点和状态点做好数字编号 4．决策树上要标出损益值 某企业似开发新产品，现在有两个可行性方案需要决策。 I 开发新产品A ，需要追加投资180万元，经营期限为5年。此间，产品销路好可获利170万元；销路一般可获利90万元；销路差可获利-6万元。三种情况的概率分别为30%，50%，20%。 II.开发新产品B ，需要追加投资60万元，经营期限为4年。此间，产品销路好可获利100万元；销路一般可获利50万元；销路差可获利20万元。三种情况的概率分别为60%，30%，10%。 （1）画出决策树 销路好 0.3 170 90 -6 100 50 20
（2）计算各点的期望值，并做出最优决策 求出各方案的期望值： 方案A=170×0.3×5+90×0.5×5+(-6)×0.2×5=770(万元) 方案B=100×0.6×4+50×0.3×4+20×0.1×4=308(万元) 求出各方案的净收益值： 方案A=770-180=590(万元) 方案B=308-60=248(万元) 因为590大于248大于0 所以方案A最优。 某企业为提高其产品在市场上的竞争力，现拟定三种改革方案：（1）公司组织技术人员逐渐改进技术，使用期是10年；（2）购买先进技术，这样前期投入相对较大，使用期是10年；（3）前四年先组织技术人员逐渐改进，四年后再决定是否需要购买先进技术，四年后买入技术相对第一年便宜一些，收益与前四年一样。预计该种产品前四年畅销的概率为0.7，滞销的概率为0.3。如果前四年畅销，后六年畅销的概率为0.9；若前四年滞销，后六年滞销的概率为0.1。相关的收益数据如表所示。 （1）画出决策树 （2）计算各点的期望值，并做出最优决策 投资收益 表单位：万元 解（1）画出决策树，R为总决策，R1为二级决策。
摘要 随着信息科技的高速发展，人们对于积累的海量数据量的处理工作也日益增重，需发明之母，数据挖掘技术就是为了顺应这种需求而发展起来的一种数据处理技术。 数据挖掘技术又称数据库中的知识发现，是从一个大规模的数据库的数据中有效地、隐含的、以前未知的、有潜在使用价值的信息的过程。决策树算法是数据挖掘中重要的分类方法，基于决策树的各种算法在执行速度、可扩展性、输出结果的可理解性、分类预测的准确性等方面各有千秋，在各个领域广泛应用且已经有了许多成熟的系统，如语音识别、模式识别和专家系统等。本文着重研究和比较了几种典型的决策树算法，并对决策树算法的应用进行举例。 关键词：数据挖掘；决策树；比较
Abstract With the rapid development of Information Technology, people are f acing much more work load in dealing with the accumulated mass data. Data mining technology is also called the knowledge discovery in database, data from a large database of effectively, implicit, previou sly unknown and potentially use value of information process. Algorithm of decision tree in data mining is an important method of classification based on decision tree algorithms, in execution speed, scalability, output result comprehensibility, classification accuracy, each has its own merits., extensive application in various fields and have many mature system, such as speech recognition, pattern recognition and expert system and so on. This paper studies and compares several kinds of typical decision tree algorithm, and the algorithm of decision tree application examples. Keywords: Data mining; decision tree；Compare
决策树分析法 决策树分析法，是将构成决策方案的有关因素，以树状图形的方式表现出来，并据以分析和选择决策方案的一种系统分析法。它以损益值为依据。该方法特别 适于分析比较复杂的问题。 （1）决策树的构成 由决策结点“口”、方案枝、状态结点“O”和概率支构成。 （2）决策步骤 决策树分析法的程序主要包括以下步骤： ①绘制决策树图形，按上述要求由左向右顺序展开。 ②计算每个结点的期望值，计算公式为： 状态结点的期望值=Σ（损益值×概率值）×经营年限 ③剪枝，即进行方案的选优。 方案净效果=该方案状态结点的期望值-该方案投资额例如，某企业为了扩大某产品的生产，拟建设新厂。据市场预测，产品销路好的概率为0．7，销路差的概率为0．3。有三种方案可供企业选择： 方案1：新建大厂，需投资300万元。据初步估计，销路好时，每年可获利100万元；销路差时，每年亏损20万元。服务期为10年。 方案2：新建小厂，需投资140万元。销路好时，每年可获利40万元，销路差时，每年仍可获利30万元。服务期为10年。 方案3：先建小厂，3年后销路好时再扩建，需追加投资200万元，服务期 为7年，估计每年获利95万元。 问：哪种方案最好? 方案1（结点①）的期望收益为：[0．7×100+0．3×（-20）]×10-300=340 （万元） 方案2（结点②）的期望收益为：（0．7×40+0．3×30）×10-140=230（万 元） 至于方案3，由于结点④的期望收益465（95×7-200）万元大于结点⑤的期望收益280（40×7）万元，所以销路好时，扩建比不扩建好。方案3（结点③）
的期望收益为：（0．7×40×3+0．7×465+0．3×30×10）-140=359．5（万元）计算结果表明，在三种方案中，方案3最好。 【例题·单选题】以下不属于决策树构成的是（）。 A．决策结点 B．方案枝 C．状态结点 D．判断枝 答案：D
如何运用决策树进行分类分析 前面我们讲到了聚类分析的基本方法，这次我们来讲讲分类分析的方法。 所谓分类分析，就是基于响应，找出更好区分响应的识别模式。分类分析的方法很多，一般而言，当你的响应为分类变量时，我们就可以使用各种机器学习的方法来进行分类的模式识别工作，而决策树就是一类最为常见的机器学习的分类算法。 决策树，顾名思义，是基于树结构来进行决策的，它采用自顶向下的贪婪算法，在每个结点选择分类的效果最好的属性对样本进行分类，然后继续这一过程，直到这棵树能准确地分类训练样本或所有的属性都已被使用过。 建造好决策树以后，我们就可以使用决策树对新的事例进行分类。我们以一个生活小案例来说什么是决策树。例如，当一位女士来决定是否同男士进行约会的时候，她面临的问题是“什么样的男士是适合我的，是我值得花时间去见面再进行深入了解的？” 这个时候，我们找到了一些女生约会对象的相关属性信息，例如，年龄、长相、收入等等，然后通过构建决策树，层层分析，最终得到女士愿意去近一步约会的男士的标准。 图：利用决策树确定约会对象的条件
接下来，我们来看看这个决策的过程什么样的。 那么，问题来了，怎样才能产生一棵关于确定约会对象的决策树呢？在构造决策树的过程中，我们希望决策树的每一个分支结点所包含的样本尽可能属于同一类别，即结点的”纯度”（Purity ）越来越高。 信息熵（Information Entropy ）是我们度量样本集合纯度的最常见指标，假定当前样本集合中第K 类样本所占的比例为P k ，则该样本集合的信息熵为： Ent (D )=?∑p k |y| k=1 log 2p k 有了这个结点的信息熵，我们接下来就要在这个结点上对决策树进行裁剪。当我们选择了某一个属性对该结点，使用该属性将这个结点分成了2类，此时裁剪出来的样本集为D 1和D 2， 然后我们根据样本数量的大小，对这两个裁剪点赋予权重|D 1||D|?，|D 2||D|?，最后我们就 可以得出在这个结点裁剪这个属性所获得的信息增益（Information Gain ） Gain(D ，a)=Ent (D )?∑|D V ||D |2 v=1Ent(D V ) 在一个结点的裁剪过程中，出现信息增益最大的属性就是最佳的裁剪点，因为在这个属性上，我们获得了最大的信息增益，即信息纯度提升的最大。 其实，决策树不仅可以帮助我们提高生活的质量，更可以提高产品的质量。 例如，我们下表是一组产品最终是否被质检接受的数据，这组数据共有90个样本量，数据的响应量为接受或拒绝，则|y|=2。在我们还没有对数据进行裁剪时，结点包含全部的样本量，其中接受占比为p 1= 7690，拒绝占比为p 2=1490，此时，该结点的信息熵为： Ent (D )=?∑p k |y|k=1log 2p k =-（7690log 27690+1490log 21490）=0.6235
决策树（DMT）分析：制定项目决策 1．为什么使用决策树分析？ 当项目需要做出某种决策、选择某种解决方案或者确定是否存在某种风险时，决策树（decision making tree）提供了一种形象化的、基于数据分析和论证的科学方法，这种方法通过严密地逻辑推导和逐级逼近地数据计算，从决策点开始，按照所分析问题的各种发展的可能性不断产生分枝，并确定每个分支发生的可能性大小以及发生后导致的货币价值多少，计算出各分枝的损益期望值，然后根据期望值中最大者（如求极小，则为最小者）作为选择的依据，从而为确定项目、选择方案或分析风险做出理性而科学的决策。 2．决策树分析有哪些作用？ 决策树分析清楚显示出项目所有可供选择的行动方案，行动方案之间的关系，行动方案的后果，后果发生的概率，以及每种方案的损益期望值；? 使纷繁复杂的决策问题变得简单、明了，并且有理有据；? 用数据说话，形成科学的决策，避免单纯凭经验、凭想象而导致的决策上的失误。?3．怎么用？ （1)决策树包含了决策点，通常用方格或方块表示，在该点表示决策者必须做出某种选择；机会点，用圆圈表示，通常表示有机会存在。先画一个方框作为出发点，叫做决策点； （2)从决策点向右引出若干条支线（树枝线），每条支线代表一个方案，叫做方案枝； （3)在每个方案枝的末端画一个圆圈，叫做状态点； （4)估计每个方案发生的概率，并把它注明在在该种方案的分支上，称为概率枝； （5)估计每个方案发生后产生的损益值,收益用正值表示,损失用负值表示； （6)计算每个方案的期望价值，期望价值=损益值x该方案的概率； （7)如果问题只需要一级决策，在概率枝末端画△表示终点，并写上各个自然状态的损益值； （8)如果是多级决策，则用决策点□代替终点△重复上述步骤继续画出决策树，如图１所示。 （9)计算决策期望值，决策期望值=由此决策而发生的所有方案期望价值之和； （10)根据决策期望值做出决策。 决策树分析通常是一个方格，然后一个圆圈，然后若干分支
决策树分类 决策树（Decision Tree）又称为判定树，是运用于分类的一种树结构。其中的每个内部结点（internal node）代表对某个属性的一次测试，每条边代表一个测试结果，叶结点（leaf）代表某个类（class）或者类的分布（class distribution），最上面的结点是根结点。决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对连续变量做决策树。 构造决策树是采用自上而下的递归构造方法。决策树构造的结果是一棵二叉或多叉树，它的输入是一组带有类别标记的训练数据。二叉树的内部结点（非叶结点）一般表示为一个逻辑判断，如形式为(a = b)的逻辑判断，其中a 是属性，b是该属性的某个属性值；树的边是逻辑判断的分支结果。多叉树（ID3）的内部结点是属性，边是该属性的所有取值，有几个属性值，就有几条边。树的叶结点都是类别标记。 使用决策树进行分类分为两步： 第1步：利用训练集建立并精化一棵决策树，建立决策树模型。这个过程实际上是一个从数据中获取知识，进行机器学习的过程。 第2步：利用生成完毕的决策树对输入数据进行分类。对输入的记录，从根结点依次测试记录的属性值，直到到达某个叶结点，从而找到该记录所在的类。 问题的关键是建立一棵决策树。这个过程通常分为两个阶段： (1) 建树（Tree Building）：决策树建树算法见下，可以看得出，这是一个递归的过程，最终将得到一棵树。 (2) 剪枝（Tree Pruning）：剪枝是目的是降低由于训练集存在噪声而产生的起伏。 决策树方法的评价。 优点 与其他分类算法相比决策树有如下优点： (1) 速度快：计算量相对较小，且容易转化成分类规则。只要沿着树根向下一直走到叶，沿途的分裂条件就能够唯一确定一条分类的谓词。 (2) 准确性高：挖掘出的分类规则准确性高，便于理解，决策树可以清晰的显示哪些字段比较重要。 缺点 一般决策树的劣势： (1) 缺乏伸缩性：由于进行深度优先搜索，所以算法受内存大小限制，难于处理大训练集。一个例子：在Irvine机器学习知识库中，最大可以允许的数据集仅仅为700KB，2000条记录。而现代的数据仓库动辄存储几个G-Bytes的海量数据。用以前的方法是显然不行的。
《运筹学》第七章决策分析习题 1．思考题 （1）简述决策的分类及决策的程序； （2）试述构成一个决策问题的几个因素； （3）简述确定型决策、风险型决策和不确定型决策之间的区别。不确定型决策能否转化成风险型决策？ （4）什么是决策矩阵？收益矩阵，损失矩阵，风险矩阵，后悔值矩阵在含义方面有什么区别； （5）试述不确定型决策在决策中常用的四种准则，即等可能性准则、最大最小准则、折衷准则及后悔值准则。指出它们之间的区别与联系； （6）试述效用的概念及其在决策中的意义和作用； （7）如何确定效用曲线；效用曲线分为几类，它们分别表达了决策者对待决策风险的什么态度； （8）什么是转折概率？如何确定转折概率？ （9）什么是乐观系数，它反映了决策人的什么心理状态？ 2．判断下列说法是否正确 （1）不管决策问题如何变化，一个人的效用曲线总是不变的；
（2）具有中间型效用曲线的决策者，对收入的增长和对金钱的损失都不敏感； （3） 3．考虑下面的利润矩阵(表中数字矩阵为利润) ）最大最小 准则（3）折衷准则（取?=0．5）（4）后悔值准则。 4．某种子商店希望订购一批种子。据已往经验，种子的销售量可能为500，1000，1500或2000公斤。假定每公斤种子的订购价为6元，销售价为9元，剩余种子的处理价为每公斤3元。要求：（1）建立损益矩阵；（2）分别用悲观法、乐观法（最大最大）及等可能法决定该商店应订购的种子数；（3）建立后悔矩阵，并用后悔值法决定商店应订购的种子数。 5．根据已往的资料，一家超级商场每天所需面包数（当天市场需求量）可能是下列当中
的某一个：100，150，200，250，300，但其概率分布不知道。如果一个面包当天卖不掉，则可在当天结束时每个0.5元处理掉。新鲜面包每个售价1.2元，进价0.9元，假设进货量限制在需求量中的某一个，要求 （1）建立面包进货问题的损益矩阵； （2）分别用处理不确定型决策问题的各种方法确定进货量。 6．有一个食品店经销各种食品，其中有一种食品进货价为每个3元，出售价是每个4元，如果这种食品当天卖不掉，每个就要损失0．8元，根据已往销售情况，这种食品每天销售1000，2000，3000个的概率分别为０．３，０．５和０．２，用期望值准则给出商店每天进货的最优策略。 7．一季节性商品必须在销售之前就把产品生产出来。当需求量是D 时，生产者生产x 件商品的利润（元）为： 利润 ?? ?>-≤≤=D x x D D x x x f 302)( 设D 有5个可能的值：1000件。2000件，3000件，4000件和5000件，并且它们的概率都是0.2 。生产者也希望商品的生产量是上述5个值中的某一个。问： （1） 若生产者追求最大的期望利润，他应选择多大的生产量？ （2） 若生产者选择遭受损失的概率最小，他应生产多少产品？ （3） 生产者欲使利润大于或等于3000元的概率最大，他应选取多大的生产量？ 8．某决策者的效用函数可由下式表示：
利用期望值、决策树和其他数学模型分析解题示范 管理学一些经典计算题如下 1．某化工厂1990年生产某种产品，售价1000元，销售量为48000台，固定费用3200万元，变动费用2400万元，求盈亏平衡点产量？ 解答： 令W ——单件产品价格，C V ——单件产品变动费用，F ——固定费用，X ——销售量； 令S ——销售收入，所以，S=WX 令Y ——总费用，所以，Y=F+C V X 盈亏平衡时：S=Y ，即WX=F+ C V X ，得到盈亏平衡点产量X 0=V C W F - 因此，代入计算：F=3200万元 W=1000元 C V X=2400万元 X=48000台（由后两式得出C V =5000元） 最后得到：X 0=64000台 2．某企业计划生产一产品，经市场调查后预计该产品的销售前景有两种可能：销路好，其概率是0.6，销路差，其概率是0.4，可采用的方案有两个：一个是新建一条流水线，需投资2000万元，另一个是对原有设备进行技术改造，需投资500万元，两个方案的使用期均为 解答： 第二步： 计算期望值 结点2的期望值为 =-??-+?2000104.02006.0700】）（【1400 700 -200 500 100
结点3的期望值为 =-??+?500104.01006.0500】【2900 因此，从期望值来看，第二种方案更好。 解答： 第一步： 排列各个工序的顺序，在每个字母下面画上箭头，用来表示这个字母代表的工序 第二步：每个工序的头和尾都要有一个事件，用圆圈代表这个事件，并按照从左到右，从上 A B C D E H F G I J
1．为什么使用决策树分析？ 当项目需要做出某种决策、选择某种解决方案或者确定是否存在某种风险时，决策树（decision making tree）提供了一种形象化的、基于数据分析和论证的科学方法，这种方法通过严密地逻辑推导和逐级逼近地数据计算，从决策点开始，按照所分析问题的各种发展的可能性不断产生分枝，并确定每个分支发生的可能性大小以及发生后导致的货币价值多少，计算出各分枝的损益期望值，然后根据期望值中最大者（如求极小，则为最小者）作为选择的依据，从而为确定项目、选择方案或分析风险做出理性而科学的决策。 2．决策树分析有哪些作用？ 决策树分析清楚显示出项目所有可供选择的行动方案，行动方案之间的关系，行动方案的后果，后果发生的概率，以及每种方案的损益期望值； 使纷繁复杂的决策问题变得简单、明了，并且有理有据； 用数据说话，形成科学的决策，避免单纯凭经验、凭想象而导致的决策上的失误。3．怎么用？ （1)决策树包含了决策点，通常用方格或方块表示，在该点表示决策者必须做出某种选择；机会点，用圆圈表示，通常表示有机会存在。先画一个方框作为出发点，叫做决策点； （2)从决策点向右引出若干条支线（树枝线），每条支线代表一个方案，叫做方案枝； （3)在每个方案枝的末端画一个圆圈，叫做状态点； （4)估计每个方案发生的概率，并把它注明在在该种方案的分支上，称为概率枝； （5)估计每个方案发生后产生的损益值,收益用正值表示,损失用负值表示； （6)计算每个方案的期望价值，期望价值=损益值x该方案的概率； （7)如果问题只需要一级决策，在概率枝末端画△表示终点，并写上各个自然状态的损益值； （8)如果是多级决策，则用决策点□代替终点△重复上述步骤继续画出决策树，如图１所示。 （9)计算决策期望值，决策期望值=由此决策而发生的所有方案期望价值之和； （10)根据决策期望值做出决策。
盈亏平衡分析 某建筑工地需抽除积水保证施工顺利进行，现有A 、B 两个方案可供选择。 A 方案：新建一条动力线，需购置一台2.5W 电动机并线运转，其投资为1400元，第四年 末残值为200元，电动机每小时运行成本为0.84元，每年预计的维护费用120元，因设备完全自动化无需专人看管。 B 方案：购置一台3.86KW 的（5马力）柴油机，其购置费用为550元，使用寿命为4年， 设备无残值。运行每小时燃料费为0.42元，平均每小时维护费为0.15元，每小时的人工成本为0.8元。 若寿命都为4年，基准折现率为10％，试比较A 、B 方案的优劣。 解：两方案的总费用都与年开机小时数t 有关，故两方案的年成本均可表示t 的函数。 )4%,10,/(200)4%,10,/(1400F A P A C A -=t t 84.056.51884.0120+=++ t P A C B )8.015.042.0()4%,10,/(550+++= t 37.151.175+= 令C A =C B ，即518.56+0.84t=173.51+1.37t 可解出：t =651(h),所以在t =651h 这一点上， C A =C B =1065.4（元） A 、 B 两方案的年成本函数如图13所示。从图中可见，当年开机小时数低于651h ，选B 方案有利；当年开机小时数高于651h 则选A 方案有利。 图13 A 、B 方案成本函数曲线
决策树问题 55.某建筑公司拟建一预制构件厂，一个方案是建大厂，需投资300万元，建成后如销路 好每年可获利100万元，如销路差，每年要亏损20万元，该方案的使用期均为10年； 另一个方案是建小厂，需投资170万元，建成后如销路好，每年可获利40万元，如销路差每年可获利30万元；若建小厂，则考虑在销路好的情况下三年以后再扩建，扩建投资130万元，可使用七年，每年盈利85万元。假设前3年销路好的概率是0.7，销路差的概率是0.3，后7年的销路情况完全取决于前3年；试用决策树法选择方案。 决策树图示 考虑资金的时间价值，各点益损期望值计算如下： 点①：净收益＝[100×(P/A，10％，10)×0.7+(-20)×（P/A，10％，10）×0.3]-300=93.35(万元) 点③：净收益＝85×(P/A，10％，7)×1.0-130=283.84(万元) 点④：净收益＝40×(P/A，10％，7)×1.0=194.74(万元) 可知决策点Ⅱ的决策结果为扩建，决策点Ⅱ的期望值为283.84+194.74＝478.58（万元）点②:净收益＝（283.84+194.74）×0.7+40×(P/A，10％，3)×0.7+30×(P/A，10％，10)×0.3-170＝345.62（万元） 由上可知，最合理的方案是先建小厂，如果销路好，再进行扩建。在本例中，有两个决策点Ⅰ和Ⅱ，在多级决策中，期望值计算先从最小的分枝决策开始，逐级决定取舍到决策能选定为止。 56.某投资者预投资兴建一工厂，建设方案有两种：①大规模投资300万元；②小规模投 资160万元。两个方案的生产期均为10年，其每年的损益值及销售状态的规律见表15。 试用决策树法选择最优方案。 表15 各年损益值及销售状态
决策树分类法 概念：决策树(Decision Tree),也就是一个类似于流程图的树型结构。一个决策树由一个根节点(Rootnodes)、一系列内部节点(Internal nodes)和分支以及若干个叶节点(Terminal nodes)组成,每个内部节点只有一个父节点和两个或多个子节点,节点和子节点之间形成分支。其中树的每个内部节点代表一个决策过程中所要测试的属性;每个分支代表测试的一个结果,不同属性值形成不同分支;而每个叶节点就代表一个类别,即图像的分类结果。树的最高层节点称为根节点,是整个决策树的开始。图1就是一棵用于遥感影像分类的二叉决策分类器的简单示意图。从中可以看到决策树的基本组成部分:根节点、分支和叶节点[18，19]。 决策树是一种直观的知识表示方法,同时也是高效的分 类器。它以信息论为基础,将复杂的决策形成过程抽象成易于 理解和表达的规则或判断。此方法利用信息论中的信息增益 寻找示例数据库中具有最大信息量的属性字段,形成一条规 则以此建立决策树的一个节点,依据这条规则对指定遥感图 像进行运算,所产生逻(真或假)派生出两类结果,或根据属性 的不同取值形成多个分支, 该过程可向下继续拓展,直至图 像分出类别(叶节点)。这种以自顶向下递归的方式构造判定 决策树的方法称之为“贪心算法”。 树的质量取决于分类精度和树的大小。一般来说,决策树 进行遥感图像分类主要有三个阶段组成:第一阶段为准备阶 段,输入图像,确定地物类型,统计训练区内各地物类型的信息 (光谱和非光谱信息); 第二阶段为构造阶段,选取具有较大信 息量的属性形成规则建立决策树的内部节点,直到每个叶节 点包括相同的类别为止;第三阶段为调整阶段,检查分类结果 是否能正确分出所需类别,如果不能,需要对决策树进行调整 (剪枝和增加节点)直到建立一棵正确的决策树。 1
计算题 1.为生产甲产品，小行星公司设计了两个基本方案：一是建大工厂，二是建小工厂。如果销路好，3年以后考虑扩建。建大工厂需投资300万元，建小工厂需投资160万元，3年后扩建另需投资140万元。扩建后可使用7年，其年度损益值与大工厂相同。每种自然状态的预测概率及年度损益值如下表： 前 3 年 后 7 年
根据上述资料试用决策树法做出决策。 2、计算题（15分）
答：建大厂收益=581-300=281 建小厂收益=447-160=287 所以应选择建小厂方案。 3.山姆公司的生产设备已经落后，需要马上更新。公司有人认为，目前产品销路增长，应在更新设备的同时扩大再生产的规模。但也有人认为，市场形势尚难判断，不如先更新设备，3年后再根据形势变化考虑扩大再生产的规模问题。这样，该公司就面临着两个决策方案。决策分析的有关资料如下： A、现在更新设备，需投资35万元， 3年后扩大生产规模，另需投资40万元。 B、现在更新设备的同时扩大再生产的规模，需投资60万元。 C、现在只更新设备，在销售情况良好时，每年可获利6万元；在销售情况不好时，每年可获利4、5万元。 D、如果现在更新与扩产同时进行，若销售情况好，
前3年每年可获利12万元；后7年每年可获利15万元；若销售情况不好，每年只获利3万元。 E、每种自然状态的预测概率如下表 前 3 年 后 7 年 根据上述资料试用决策树法做出决策。
答案：
结点7收益值=0、85×7 × 15+0、15 ×7 ×3=92、4（万元） 结点8收益值=0、85×7 ×6+0、15 ×7 ×4、5=40、4（万元） 结点9收益值=0、1×7 × 15+0、9 ×7 ×3=29、4（万元） 结点10收益值=0、1×7 × 6+0、9 ×7 ×4、5=32、6（万元） 结点1收益值=0、7×[52、4+（3 × 6）]+0、3 ×[32、6+（3 × 4、5）]=63、1（万元） 结点2收益值=0、7×[92、4+（3 × 12）]+0、3 ×[29、4+（3 × 3）]=101、4（万元） 答：用决策树法进行决策应选择更新扩产方案，可获得收益41、4万元。 4. 某厂准备生产Y种新产品，对未来的销售前景预测不准，可能出现高需求、中需求、低需求三种自然状态。组织有三个方案可供选择：新建一个车间；扩建原有车间； 对原有车间的生产线进行局部改造。三个方案在5年内的经济效益见下表（单位：万元）： 0 1 请分别用悲观决策法、乐观决策法、最