决策树分析法

决策分析科学决策的方法与技巧

在日常生活和工作中，我们经常需要做出各种决策。无论是个人决策还是组织决策，科学的决策分析方法和技巧都可以帮助我们做出更明智、更有效的决策。本文将介绍一些常用的决策分析方法和技巧，以帮助读者在面对各种决策情境时能够做出理性的决策。

一、决策分析方法

1. SWOT分析法

SWOT分析法是一种常用的决策分析方法，它通过评估一个决策方案的内部优势（Strengths）、内部劣势（Weaknesses）、外部机会（Opportunities）和外部威胁（Threats）来帮助决策者做出决策。通过分析方案的优势和劣势，以及外部环境的机会和威胁，决策者能够更好地了解方案的潜在风险和机遇，从而做出明智的决策。

2. 效用分析法

效用分析法是一种基于效用理论的决策分析方法，它通过评估不同决策结果的效用值来进行决策。决策者可以将不同结果的效用进行量化，并按照效用的大小来排序，选择效用最大的决策结果作为最佳方案。效用分析法可以帮助决策者在面对多个选择时权衡不同的效用，从而做出最优的决策。

3. 决策树分析法 决策树分析法是一种通过绘制决策树来帮助决策者做出决策的方法。决策树是一种以图形方式表示决策过程的工具，它将决策者的选择、决策结果以及可能出现的不确定事件都呈现出来，帮助决策者更好地理解决策的后果和可能的风险，从而做出最佳决策。

二、决策分析技巧

1. 信息收集和分析技巧

在做出决策之前，我们需要收集和分析相关的信息。这包括了解问题的背景、收集相关的数据和统计资料，以及分析现有的信息。决策者可以运用各种调查研究方法、数据分析技巧和统计方法，从而获取准确、全面的信息，为决策提供有力的支持。

2. 制定明确的目标和准则

在做出决策之前，我们需要制定明确的目标和准则。这包括明确决策的目标是什么，以及决策结果需要满足的准则是什么。制定明确的目标和准则可以帮助决策者更好地定义问题，从而有针对性地选择决策方案，并最终做出符合预期的决策。

决策树分析

进⾏科学的决策是项⽬评估⼯作中的主要⽬的之⼀。科学的决策⽅法就是对⽐判断，亦即对拟建项⽬的备选⽅案进⾏⽐选。但是，决策存在

⼀定的风险性，项⽬评估⼯作中的⼤量决策基本是属于风险型决策。

概率分析为在风险条件下决定⽅案取舍的⽅法，决策树分析也是常⽤的风险决策⽅法之⼀。

所谓决策树分析，就是利⽤概率分析原理，⽤树状图描述备选⽅案的内容、参数、状态以及在实施过程中不同阶段⽅案的相互关系，对⽅案

进⾏系统分析和评估的⽅法。应⽤决策树分析法不仅能进⾏单阶段决策，⽽且对多阶段决策也是⾏之有效的。

⼀、决策树的结构

决策树是以⽅框和圆圈为结点，并有直线连接⽽成的⼀种像树形状的图形，它是由以下⼏个因素构成：

（⼀）决策点与⽅案枝

某项决策的出发点，称为决策点，⽤⽅框"⼝"表⽰。⽅框内可⽤符号表⽰其为第⼏级决策点。

某项决策应有若⼲可供选择的⽅案，⽤从决策点引出的若⼲条直线“—”表⽰，叫做⽅案枝。在⽅案枝的上下侧可注明⽅案的含义及参数。

（⼆）状态结点与状态枝

⽅案在实施过程中由于存在风险性与不确定性，可能出现多种机会或状态，⽅案在各种⾃然状态下所能获得的结果(如收益或成本)⽤圆

圈“○”表⽰，称为状态结点或机会点。

每⼀⽅案可能出现的各种状态⽤由状态结点引出的若⼲条线"—"表⽰，称为状态枝。各种状态的代号与概率等参数可标在状态上下侧，故⼜

称其为概率枝。

（三）结果点与损益现值

⽅案在某种状态下可能获得的结果⽤“△”表⽰，称为结果点在结果点之后可分别列出其损益现值，所谓损益现值就是对⽅案在某种状态下损

失或收益的度量结果的现值，即状态净现值。由

以上符号构成的图形像⼀棵树，所以称为决策树。如下图所⽰：

图 决策树

决策树作为⼀种决策⼯具，它分析简捷，形象直观，可以把决策问题的全部决策⽅案和可能出现的各种⾃然状态，以及不同⾃然状态下的结

果，都形象地显⽰在全部的决策过程中。它是帮助项⽬评估⼈员进⾏分析⽐较⽅案的有⽤⼯具，近年来在项⽬评估⼯作中得到了⼴泛应⽤。

决策树算法：

什么是机器学习？

机器学习 (Machine Learning) 是近 20 多年兴起的一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。机器学习理论主要是设计和分析一些让计算机可以自动学习的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。机器学习在数据挖掘、计算机视觉、自然语言处理、生物特征识别、搜索引擎、医学诊断、检测信用卡欺诈、证券市场分析、DNA 序列测序、语言与手写识别、战略游戏与机器人运用等领域有着十分广泛的应用。它无疑是当前数据分析领域的一个热点内容。

决策树定义：

机器学习中决策树是一个预测模型；他代表的是对象属性与对象值之间的一种映射关系。树中每个节点表示某个对象，而每个分叉路径则代表的某个可能的属性值，而每个叶结点则对应从根节点到该叶节点所经历的路径所表示的对象的值。决策树仅有单一输出，若欲有复数输出，可以建立独立的决策树以处理不同输出。从数据产生决策树的机器学习技术叫做决策树学习, 通俗说就是决策树。

决策树模型

定义2.1（决策树）分类决策树模型是一种描述对实例进行分类的树形结构。决策树由结点（node）和有向边（directed edge）组成。

□——决策点，是对几种可能方案的选择，即最后选择的最佳方案。如果决策属于多级决策，

则决策树的中间可以有多个决策点，以决策树根部的决策点为最终决策方案为最终决策方案。

○——状态节点，代表备选方案的经济效果（期望值），通过各状态节点的经济效果的对比，按照一定的决策标准就可以选出最佳方案。由状态节点引出的分支称为概率枝，

概率枝的数目表示可能出现的自然状态数目每个分枝上要注明该状态出现的概率。

△——结果节点，将每个方案在各种自然状态下取得的损益值标注于结果节点的右端。

决策树是如何工作的？

决策树一般都是自上而下的来生成的。

选择分割的方法有好几种，但是目的都是一致的：对目标类尝试进行最佳的分割。

给大家拜个‎晚年！

这年也过完‎了，又要开始工‎作了！本想春节期‎间写写博客‎，但不忍心看‎到那么多的‎祝福被顶

下‎去，过节就过个‎痛快的节日‎，不写了！直接上开心‎网，结果开了个‎“老友面馆”都经营到1‎8

级了！还是蛮开心‎的，但是我决定‎了从今天开‎始就不再玩‎了！

今天我们来‎说说分类决‎策树的应用‎和操作！主要包括C‎HAID&CRT，是非常好用‎和有价值

的‎多变量分析‎技术，

 CHAID‎——Chi-squar‎ed Autom‎atic Inter‎actio‎n Detec‎tor卡方‎自交互侦测‎决

策树

 CRT——Class‎ifica‎tion Regre‎ssion‎ Tree分‎类回归树；

CHAID‎和CART‎是最有名的‎分类树方法‎，主要用于预‎测和分类。在市场研究‎中经常用于‎

市场细分和‎客户促销研‎究，属于监督类‎分析技术。其中，树根节点是‎独立变量-因变量，例如：使用水平、购买倾向、用户或非用‎户、客户类型、套餐类别、细分类别等‎。子节点基于‎

独立变量和‎其他分类变‎量（父节点），按照卡方显‎著性不断划‎分或组合为‎树状结构。预测变

量一‎般也是非数‎量型的分类‎变量。 CHAID‎最常用，但独立变量‎只能是分类‎变量，也就是离散‎性的，CRT可以‎处理数量型‎变

量，有时候二者‎结合使用。CHAID‎和CRT都‎可以处理非‎数量型和定‎序性变量。 分类树方法‎产生真实的‎细分类别，这种类是基‎于一个独立‎变量得到的‎一种规则和‎细分市

场。也就是说，每一个树叶‎都是一个细‎分市场。 下面我们通‎过一个案例‎来操作SP‎SS软件的‎分类决策树‎模块

假设我们有‎一个移动业‎务数据，包含有客户‎的性别、年龄、语音费用、数据费用、客户

等级、支付方式和‎促销套餐变‎量。我们现在期‎望能够得到‎针对不同的‎促销套餐来‎分析“客户

画像”，这样有利于‎针对性的促‎销！也就是不同‎套餐客户特‎征描述！ 因变量是促‎销套餐，其它是预测‎变量或自变‎量！