Области применения деревьев решений

Деревья решений являются прекрасным инструментом в системах поддержки принятия решений, интеллектуального анализа данных.

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

Область применения деревья решений в настоящее время широка, но все задачи, решаемые этим аппаратом могут быть объединены в следующие три класса:

1) Описание данных: Деревья решений позволяют хранить информацию о данных в компактной форме, вместо них мы можем хранить дерево решений, которое содержит точное описание объектов.

2) Классификация: Деревья решений отлично справляются с задачами классификации, т.е. отнесения объектов к одному из заранее известных классов. Целевая переменная должна иметь дискретные значения.

3) Регрессия: Если целевая переменная имеет непрерывные значения, деревья решений позволяют установить зависимость целевой переменной от независимых(входных) переменных. Например, к этому классу относятся задачи численного прогнозирования (предсказания значений целевой переменной).

Деревья решений успешно применяются для решения практических задач в следующих областях:

1) банковское дело. Оценка кредитоспособности клиентов банка при выдаче кредитов.

2) промышленность. Контроль за качеством продукции (выявление дефектов), испытания без разрушений (например проверка качества сварки) и т.д.

3) медицина. Диагностика различных заболеваний.

4) молекулярная биология. Анализ строения аминокислот.

Это далеко не полный список областей, где можно использовать деревья решений. Не исследованы еще многие потенциальные области их применения.

Процесс принятия решений в общем случае предполагает выполнение следующих пяти этапов.

Этап 1. Формулирование задачи. Прежде определяются существенные и несущественные факторы проблемы, последние в дальнейшем не учитываются. Выполняются следующие основные процедуры:

1) сбор информации для экспериментирования и реальных действий;

2) составляется перечень событий, которые с определенной вероятностью могут произойти;

3) устанавливается временный порядок расположения событий, последовательность действий, которые можно предпринять.

Этап 2. Построение дерева решений.

Этап 3. Оценка вероятностей состояний среды, т.е. сопоставление шансов возникновения каждого конкретного события. Указанные вероятности определяются либо на основании имеющейся статистики, либо экспертным путем.

Этап 4. Установление выигрышей (или проигрышей как выигрышей со знаком минус) для каждой возможной комбинации альтернатив (действий) и состояний среды.

Этап 5. Решение задачи.

В зависимости от отношения к риску решение задачи может выполняться с позиций так называемых «объективистов» и «субъективистов», определяемых по размеру безусловного денежного эквивалента.

Пример дерева решений для проекта по выпуску нового продукта

Преимущества использования деревьев решений:

1) быстрый процесс обучения;

2) генерация правил в областях, где эксперту трудно формализовать свои знания;

3) извлечение правил на естественном языке;

4) интуитивно понятная классификационная модель;

5) высокая точность прогноза, сопоставимая с другими методами (статистика, нейронные сети);

6) построение непараметрических моделей;

7) все возможные сценарии развития проекта становятся абсолютно «прозрачными» для менеджмента. На дереве решений можно не только отследить развитие событий, но и проанализировать значимость тех или иных управленческих решений с точки зрения влияния на итоговый результат;

8) дерево решений дает наглядное представление о вероятных рисках инвестиционного проекта, а также количественную оценку их реализации. Это позволяет компании заранее составить запасной план действий, если ситуация будет развиваться по неблагоприятному сценарию.

Недостатки использования деревьев решений:

1) этот инструмент анализа позволяет отследить все причинно-следственные связи, что бывает немаловажным, когда необходимо разобраться, почему проект не удался;

2) описать при помощи дерева решений абсолютно все варианты развития событий достаточно сложно. Хотя бы в силу того, что менеджмент инвестиционного проекта не в состоянии идентифицировать все риски;

3) ошибки в определении вероятности могут существенно исказить результаты анализа;

4) дерево решений не дает стопроцентно точного ответа на вопрос, стоит ли начинать проект или нужно от него отказаться. Может быть вычислен лишь наиболее вероятный исход инвестиционного проекта;

5) при большом количестве сценариев построение дерева решений достаточно трудоемко.

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.