决策树例题分析及解答PPT课件

格式：ppt
大小：3.06 MB
文档页数：32

下载文档原格式

决策树例题分析

9
➢ 最后比较决策点1的情况： • 由于点③（719万元）与点②（680万元）相比，
点③的期望利润值较大，因此取点③而舍点②。这样，相比之下，建设大工厂的方案不是最优方案，合理的策略应采用前3年建小工厂，如销路好，后7年进行扩建的方案。
10
决策树法的一般程序是：（1）画出决策树图形决策树指的是某个决策问题未来发展情况的可能性和可能结果所做的估计，在图纸上的描绘决策树（2）计算效益期望值两个行动方案的效益期望值计算过程：行动方案A1(建大厂)的效益期望值: 13.5×0.8×10＋25.5×0.2×10－25=134万元行动方案A2（建小厂）的效益期望值： 15×0.8×10+15×0.2×10-10=140万元（3）将效益期望值填入决策树图首先在每个结果点后面填上相应的效益期望值；其次在每个方案节点上填上相应的期望值，最后将期望值的角色分支删减掉。只留下期望值最大的决策分支，并将此数值填入决策点上面，至此决策方案也就相应选出
11
建小厂的方案在经济上是比较合理的
12
• 例：随着茶叶生产的发展，三年后的原料供应可望增加，两个行动方案每年损益及两种自然状态的概率估计如表
三年后两种收益估计值
单位：万元
13
14
各点效益值计算过程是：点2：13.5×0.8×3＋172.9×0.8＋25.5×0.2×3＋206.5×0.2－ 25(投资)=202.3万元点3：15×0.8×3＋105×0.8＋15×0.2×3＋105×0.2－10（投资）=140万元点4：21.5×0.6×7年＋29.5×0.4×7年=172.9万元点5：29.5×1.0×7=206.5 点6：15×0.6×7＋15×0.4×7=105万元通过以上计算。可知建小厂的效益期望值为140万元，而建大厂的效益期望值为202.3万元，所以应选择建大厂的方案。

高中信息技术浙教版：决策树教学课件(共27张PPT)

第五步：使用Python库测试结果可视化
第一步：收集数据
第三步：向Python导入数据
第四步：使用Python库sklearn训练
第二步：分割数据
课堂小结
一、2017年度重点工作项目完成情况
1 决策树分类概念 2 构建决策树
3 举例说明：鸢尾花分类
备未用来：的深深度度学学习习：人工智能
展望与挑战
“温度”是多余的特点
如何判断某一天游客是否会来游乐场游玩？
天气、温度、湿度
2.4.1决策树分类概念
建立决策树的过程选择一个属性值，基于这个属性对样本集进行划分，得到子集划分结果。
再选择其他属性，对得到的划分结果进行划分，直至最后所得划分结果中每个样本为同一个类别。
2.4.2构建决策树
构建决策树来解决实际生活中的问题时，需按照一定的顺序选择划分属性。通常，性能好的决策树随着划分不断进行，决策树分支节点的“纯度” 会越来越高，即其所包含样本尽可能属于相同类别。为了逐次选出最优属性，可以采用信息增益(informationgain)这一指标。
2.4.2构建决策树
练一练： 1.计算表2.4.1中温度高低、湿度大小、风力强弱三个气象特点的信息增益。
思考：将天气状况、温度高低、湿度大小、风力强弱作为分支点来构造图2.4.1决策
树时，是否信息增益大的气象特点离根节点越近?
【练一练】：如下表所示，每朵鸢尾花有萼片长度、萼片宽度、花瓣长度、花瓣宽度四个
4个属性 1个标签 1 Label 4 Features 用来标记种类
序号 Index 0-149，一共150个样本
基于鸢尾花数据集
例：鸢尾花数据集是常用的分类实验数据集，由Fisher1936收集整理。 Iris也称鸢尾花卉数据集，是一类多重变量分析的数据集。数据集包含 150个数据样本，分为3类，每类50个数据，每个数据包含4个属性。可通过花萼长度，花萼宽度，花瓣长度，花瓣宽度4个属性预测鸢尾花卉属于（Sentosa 0，Versicolor 1，Virginia 2）三个种类中的哪一类。

决策树例题(共10张PPT)

现采用决策树方法进行决策第二步：画决策树图形，根据第一步所列的表格，再绘制决策树，如下图；
【例题8】
【解】第一步：将题意表格化
自然状态
概率
天气好
0.3
天气坏
0.7
行动方案
开工
不开工
40000
-1000
-10000
-1000
【例题8】
❖ 第二步：画决策树图形，根据第一步所列的表格，再绘制决策树，如下图；
【例题8】
• 假设有一项工程，施工管理人员需要决定下月是否开工。如果开工后天气好，则可投标不中时，则对A损失50万元，对B损失100万元。
现采用决策树方法进行决策 3,天气坏的概率是0.
为国家创收4万元，若开工后天气坏，将给若考虑的是损失时，则取最小期望值。
B、从出发点向右引出若干条直线，这些直线叫做方案枝； 3,天气坏的概率是0.
国家造成损失1万元，不开工则损失1000元。某承包商拥有的资源有限，只能在A和B两个工程中选A或B进行投标，或者对这两项工程都不参加投标。
该承包商过去也承包过与A、B类似的工程，根据统计资料，每种方案的利润和出现的概率如下表所示。一般按反向的时间程序逐步计算，将各方案的几种可能结果的数值和它们各自的概率相乘，并汇总所得之和，其和就是该方案的期望值。
概率
0.3 0.5 0.2 0.2 0.6 0.2 0.3 0.5 0.2 0.3 0.6 0.1
【例题9】
【解】第一步：将题意表格化
概率分叉点
3,天气坏的概率是0.
(自然状态点 )
投标不中时，则对A损失50万元，对B损失100万元。
损益值
但根据过去该承包商投标经验资料，他对A或B投标又有两种策略:一种是投高标，中标的机会是0.

决策树ppt课件

建设小工厂投资280万元，如销路好，3年后扩建，扩建需要投资400万元，可使用7年，每年赢利190万元。不扩建则每年赢利80万元。如销路不好则每年赢利60 万元。
试用决策树法选出合理的决策方案。经过市场调查，市场销路好的概率为0.7，销路不好的概率为0.3。
15
680万元 2
建大厂
该承包商过去也承包过与A、B类似的工程，根据统计资料，每种方案的利润和出现的概率如下表所示。投标不中时，则对A损失50万元，对B损失100万元。根据上述情况，试画出决策树
11
方案 A高 A低 B高 B低
效果
优一般赔优一般赔优一般赔优一般赔
可能的利润(万元)
5000 1000 -3000 4000 500 -4000 7000 2000 -3000 6000 1000 -1000
10
例2
某承包商拥有的资源有限，只能在A和B两个工程中选A或B进行投标，或者对这两项工程都不参加投标。
但根据过去该承包商投标经验资料，他对A或B 投标又有两种策略:一种是投高标，中标的机会是0.3；另一种是投低标，中标的机会是0.5。这样共有A高、A低、不投、B高和B低五种方案。
叫做方案枝； C、在每个方案枝的末端画一个圆圈，这个圆
圈称为概率分叉点，或自然状态点； D、从自然状态点引出代表各自然状态的分枝，
称为概率分枝； E、如果问题只需要一级决策，则概率分枝末
端画三角形，表示终点。
3
1
决策结点
概率分叉点
(自然状态点) 概率枝
方案分枝 2
概率枝
方案分枝
概率枝
益期望值分别为125、0、620和1100。至此，承包商可做出决策，如投A工程，

一个决策树算法案例分析ppt课件

8
§4.4 灵敏度分析
灵敏度分析是将自然状态出现的概率加以改变，来考察这一改变对决策方案选取将带来什么样的影响。比如：高的接受程度S1的概率降到0.2，低的接受S2的概率升为0.8，即P(S1)=0.2,P(S2)=0.8， EV(d1)=0.2×800+0.8×700=720 EV(d2)=0.2×1400+0.8×500=680 EV(d1)=0.2×2000+0.8×(-900)=-320 可见，小楼方案d1为最佳，大楼方案为最差的。
一个决策树算法案例分析ppt课件
常规（用）决策技术和效用理论
4.1 决策分析案例背景
匹兹堡开发公司(PDC)已购得一块地用于建造一个高档的沿河综合商业楼，其位置对繁华的匹兹堡和金三角有很好的景观，所谓金三角是指两条小河汇流成俄亥俄(Ohio)河的地段。每一个建
30万～120万，取决于单元所处楼层，面积以及备选的设施。
效用函数U(x)是一种相对度量尺度，0≤U(x)≤1，或者0≤U(x)≤10，其中 x对本问题而言是收益期望值。
效用函数U(x)值的确定方法较多，其中常用的一种方法是标准博奕法，即针对具体决策问题及其收益数据，由决策分析者向决策人一一提问(或决策人自问自答)，由决策人一一回答其偏好，或者表明某两个事件之间是否无差异。为此，首先要从数据中选出一最大收益Vmax ，设定其效用函数U(Vmax)=10，选出最小收益值Vmin，令U(Vmin)=0。
自然状态
高的市场接受程度S1 低的市场接受程度S2
800万
700万
1400万
500万
2000万
-900万
3
4
该方法相似于保守方法，取悲观态度。首先从益损矩阵中求后悔值，即机会损失值Rij

《决策树例题》课件(2024)

基于信息增益的决策树
通过计算每个特征的信息增益来选择最佳划分特征，构建决策树。例如，在二分类问题中，可以使用ID3算法来构建决策树。
基于基尼指数的决策树
通过计算每个特征的基尼指数来选择最佳划分特征，构建决策树。例如，在二分类问题中，可以使用CART算法来构建决策树。
剪枝策略
针对决策树过拟合问题，可以采用预剪枝或后剪枝策略来优化决策树性能。
输入欠标采题样
从多数类样本中随机选择一部分样本，减少其样本数量，使得正负样本数量平衡。例如Random UnderSampler算法。
过采样
代价敏感学习
通过集成多个基分类器的结果来提高整体性能。例如 Bagging和Boosting方法。
集成学习方法
为不同类别的样本设置不同的误分类代价，使得模型在训练过程中更加关注少数类样本。例如AdaCost算法。
剪枝策略
通过预剪枝或后剪枝策略，可以优化决策树的性能，减少过拟合。
19
过拟合问题解决方案讨论
增加训练数据
更多的训练数据可以让模型学习到更多的模式，减少过拟合。
使用集成学习方法
去除不相关或冗余的特征，可以减少模型的复杂度，降低过拟合
风险。
2024/1/30
特征选择
通过添加正则化项，可以惩罚模型的复杂度，防止过拟合。
模型构建：选择合适的模型优化：针对不平衡
决策树算法（如ID3、数据集问题，可以采用
C4.5、CART等）构建分过采样、欠采样或代价
类模型，并采用交叉验敏感学习等方法优化模
证等方法评估模型性能型性能。同时，也可以
。
通过调整决策树参数（
如最大深度、最小样本

决策树例题分析图文

➢ 计算各点的期望值： • 点②：0.7×200×10+0.3×（-40）×10-600（投资
）=680（万元） • 点⑤：1.0×190×7-400=930（万元） • 点⑥：1.0×80×7=560（万元） ➢ 比较决策点4的情况可以看到，由于点⑤（930万元）
与点⑥（560万元）相比，点⑤的期望利润值较大，因此应采用扩建的方案，而舍弃不扩建的方案。 ➢ 把点⑤的930万元移到点4来，可计算出点③的期望利润值： • 点③：0.7×80×3+0.7×930+0.3×60×（3+7）-280 = 719（万元）
9
.3）
200万元 -40万元
1 719万元
建小厂
扩建 5 销路好（1.0） 930万元
销路好（0.7） 4 不扩建
930万元
6 销路好（1.0）
3
560万元
719万元
销路差（0.3）
前3年，第一次决策
后7年，第二次决策
190万元
80万元 60万元
10
3
状态节点
2 方案分枝
1 决策结点
方案分枝
3
状态节点
概率分枝 4 结果节点
概率分枝 5 结果节点
概率分枝 6
结果节点
概率分枝 7
结果节点
4
• 应用决策树来作决策的过程，是从右向左逐步后退进行分析。根据右端的损益值和概率枝的概率，计算出期望值的大小，确定方案的期望结果，然后根据不同方案的期望结果作出选择。
7
决策过程如下:画图，即绘制决策树
• A1的净收益值=[300×0.7+（-60）×0.3] ×5-450=510 万
• A2的净收益值=（120×0.7+30×0.3）×5-240=225万 • 选择：因为A1大于A2，所以选择A1方案。 • 剪枝：在A2方案枝上打杠，表明舍弃。

决策树例题分析及解答分解课件

决策树例题分析及解答分解课件
目录
CONTENTS
• 决策树与其他机器学习算法的比 • 决策树未来发展方向
01
决策树简介
决策树的定义
决策树是一种监督学习算法，用于解决分类和回归问题。
它通过递归地将数据集划分成更纯的子集来构建决策树，每个内部节点表示一个特征属性上的判断条件，每个分支代表一个可能的属性值，每个叶子节点表示一个类别。
03
决策树例题分析
题目描述
题目
预测一个学生是否能够被大学录取
数据集
包含学生的个人信息、成绩、活动参与情况等
目标变量
是否被大学录取（0表示未录取，1 表示录取）
数据预处理
01
02
03
数据清洗
处理缺失值、异常值和重复值
数据转换
将分类变量转换为虚拟变量，将连续变量进行分箱处理
数据归一化
将特征值缩放到0-1之间，以便更好地进行模型训练
结果解读与优化建议
结果解读
根据模型输出的结果，分析决策树的构建情况，理解各节点的划分依据。
优化建议
根据模型评估结果和业务需求，提出针对性的优化建议，如调整特征选择、调整模型参数等。
05
决策树与其他机器
学习算法的比较
与逻辑回归的比较
总结词
逻辑回归适用于连续和二元分类问题，而决策树适用于多元分类问题。
建立决策树模型
选择合适的决策树算法：ID3、C4.5、 CART等
构建决策树模型并进行训练
确定决策树的深度和分裂准则
模型评估与优化
使用准确率、召回率、F1分数等指标评估模型性能
对模型进行优化：剪枝、调整参数等
进行交叉验证，评估模型的泛化能力

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

• 例：某农业企业有耕地面积33.333公顷，可供灌水量 6300立方米，在生产忙季可供工作日2800个，用于种植玉米、棉花和花生三种作物。预计三种作物每公顷在用水忙季用工日数、灌水量和利润见表，在完成 16.5万公斤玉米生产任务的前提下，如何安排三种作物的种植面积，以获得最大的利润。
作物类别
2
决策方案评价
作物类别
玉米棉花花生合计资源供给量资源余缺量
占用耕忙季耗用灌水用量地面积工日数（立方米）（公顷）
20
1200
45000
5.333
560
12000
8
360
6000
33.333
2120
63000
33.333
2800
63000
0
680
0
总产量（千瓦）
165000 40000
120000
利润量（元）
30000 9600
13200 52800
在生产出16.5万公顷玉米的前提下，将获得5.28万元的利润，在忙劳动力资源尚剩余 680个工日可用于其他产品生产。
3
例：设某茶厂计划创建精制茶厂，开始有两个方案，方案一是建年加工能力为800担的小厂，方案二是建年加工能力为2000担的大厂。两个厂的使用期均为10年，大厂投资 25万元，小厂投资10万元。产品销路没有问题，原料来源有两种可能(两种自然状态)：一种为800担，另一种为 2000担。两个方案每年损益及两种自然状态的概率估计值见下表
• 建设大工厂需要投资600万元，可使用10年。销路好每年赢利200万元，销路不好则亏损40万元。
• 建设小工厂投资280万元，如销路好，3年后扩建，扩建需要投资400万元，可使用7年，每年赢利190万元。不扩建则每年赢利80万元。如销路不好则每年赢利60 万元。
• 试用决策树法选出合理的决策方案。经过市场调查，市场销路好的概率为0.7，销路不好的概率为0.3。
11
680万元 2
建大厂
销路好（0.7）销路差（0.3）
200万元 -40万元
1 719万元
建小厂
销路好（0.7）扩建 5
930万元
销路好（0.7） 4 不扩建
930万元
6 销路好（0.7）
3
560万元
719万元
销路差（0.3）
前3年，第一次决策
后7年，第二次决策
190万元
80万元 60万元
12
自然状态概率建大厂（投资25 建小厂（投资10
万元）
万元）
原料800担 0.8 原料2000担 0.2
13.5 25.5
15.0 15.0
4
补充：风险型决策方法——决策树方法
• 风险决策问题的直观表示方法的图示法。因为图的形状像树，所以被称为决策树。
• 决策树的结构如下图所示。图中的方块代表决策节点，从它引出的分枝叫方案分枝。每条分枝代表一个方案，分枝数就是可能的相当方案数。圆圈代表方案的节点，从它引出的概率分枝，每条概率分枝上标明了自然状态及其发生的概率。概率分枝数反映了该方案面对的可能的状态数。末端的三角形叫结果点，注有各方案在相应状态下的结果值。
13
最后比较决策点1的情况： • 由于点③（719万元）与点②（680万元）
相比，点③的期望利润值较大，因此取点③而舍点②。这样，相比之下，建设大工厂的方案不是最优方案，合理的策略应采用前3年建小工厂，如销路好，后 7年进行扩建的方案。
14
决策树法的一般程序是：（1）画出决策树图形决策树指的是某个决策问题未来发展情况的可能性和可能结果所做的估计，在图纸上的描绘决策树
7
• 计算完毕后，开始对决策树进行剪枝，在每个决策结点删去除了最高期望值以外的其他所有分枝，最后步步推进到第一个决策结点，这时就找到了问题的最佳方案
• 方案的舍弃叫做修枝，被舍弃的方案用 “≠”的记号来表示，最后的决策点留下一条树枝，即为最优方案。
8
• A1、A2两方案投资分别为450万和240万，经营年限为5年，销路好的概率为0.7，销路差的概率为0.3，A1方案销路好、差年损益值分别为300万和负60万；A2方案分别为120万和30万。
9
决策过程如下:画图，即绘制决策树
• A1的净收益值=[300×0.7+（-60）×0.3] ×5-450=510万 • A2的净收益值=（120×0.7+30×0.3）×5-240=225万 • 选择：因为A1大于A2，所以选择A1方案。 • 剪枝：在A2方案枝上打杠，表明舍弃。
10
例题
• 为了适应市场的需要，某地提出了扩大电视机生产的两个方案。一个方案是建设大工厂，第二个方案是建设小工厂。
计算各点的期望值： • 点②：0.7×200×10+0.3×（-40）×10-600（投资）
=680（万元） • 点⑤：1.0×190×7-400=930（万元） • 点⑥：1.0×80×7=560（万元）比较决策点4的情况可以看到，由于点⑤（930万元）
与点⑥（560万元）相比，点⑤的期望利润值较大，因此应采用扩建的方案，而舍弃不扩建的方案。把点⑤的930万元移到点4来，可计算出点③的期望利润值： • 点③：0.7×80×3+0.7×930+0.3×60×（3+7）-280 = 719（万元）
5
状态节点
2 方案分枝
1 决策结点
方案分枝
3
状态节点
概率分枝 4 结果节点
概率分枝 5 结果节点
概率分枝 6
结果节点
概率分枝 7
结果节点
6
• 应用决策树来作决策的过程，是从右向左逐步后退进行分析。根据右端的损益值和概率枝的概率，计算出期望值的大小，确定方案的期望结果，然后根据不同方案的期望结果作出选择。
玉米棉花花生
忙季需工作日数
60 105 45
灌水需要量（立方米）
2250 2250 750
产量（公斤）
8250 750 1500
利润（元）Leabharlann 1500 1800 1650
1
解：玉米、棉花、花生和种植面积分别为X1，X2，X3公顷，依题意列出线性规划模型。
目标函数：S=1500X1+1800X2+1650X3——极大值约束条件：X1+X2+X3≤33.333 60X1+105X2+45X3≤2800 2250X1+2250X2+750X3≤63000 8250X1≤165000 X1，X2，X3≥0 采用单纯形法求出决策变量值： X1=20公顷 X2=5.333公顷 X3=8公顷

决策树例题分析及解答PPT课件

合集下载