Разлика между версии на „Дърво на решенията“

От Администрация и управление
Направо към навигацията Направо към търсенето
 
(Не са показани 6 междинни версии от същия потребител)
Ред 1: Ред 1:
[[File:durvo_na_resheniqta1.jpg|400px|right]]
+
[[File:durvo_na_resheniqta1.jpg|300px|right]]
  
'''Дървото на решенията''' е '''графичен [[метод]] за избор на [[алтернатива]]''' чрез изследване на последователни и взаимно свързани [[решение|решения]] и [[резултат]]ите от тях.  
+
'''Дървото на решенията''' е '''графичен [[метод]] за избор на [[алтернатива]]''' чрез изследване на последователни и взаимно свързани [[вземане на решение|решения]] и [[резултат]]ите от тях.  
  
 
==Същност==
 
==Същност==
Дървото на решенията дава възможност за избор на рационално [[управленско решение]], когато за всяка алтернатива решенията са известни или могат да бъдат предвидени стойността на възможните резултати и [[вероятност]]ите за постигане на един или друг резултат.
+
Дървото на решенията дава възможност за избор на рационално [[Вземане на решение|управленско решение]], когато за всяка алтернатива решенията са известни или могат да бъдат предвидени стойността на възможните резултати и [[вероятност]]ите за постигане на един или друг резултат.
  
==Елементи на дървото на решенията==
+
===Елементи===
  
 
Дървото на решенията е графа, изградена от два типа възли:
 
Дървото на решенията е графа, изградена от два типа възли:
възел – решение ; възел – резултат; и от “клони”, които свързват възлите. Възлите – решения са точките, при които са налице [[алтернатива|алтернативи]], измежду които следва да се вземе решение на база изчисление на [[очакван резултат|очаквания резултат]]. Възлите –резултати са точките, при които дървото на решенията се разклонява на база различните възможни резултати от предприетите действия.
+
*възел – решение - Възлите – решения са точките, при които са налице [[алтернатива|алтернативи]], измежду които следва да се вземе решение на база изчисление на очаквания резултат;
 
+
*възел – резултат - Възлите – резултати са точките, при които дървото на решенията се разклонява на база различните възможни резултати от предприетите действия;
==Решение в условия на неопределеност==
+
*“клони”, които свързват възлите.  
[[File:durvo_na_resheniqta5.jpg|left]]
 
За подпомагане на вземането на решение в условията на неопределеност се построява дърво на решенията. В това дърво се описват възлите на решенията и неопределеност, заедно с всички разклонения във всеки възел. Определят се вероятностите за всички дъги на неопределеност, като се дават условията за всяка дъга. Записват се печалбите (или загубите) на [[финалните дъги]]. Могат да се изчислят математическите очаквания във възлите на неопределеност, да се [[максимизира печалбата]] (минимизира загубата) и по такъв начин да се определят най-добрите действия. Общият примерен вид на едно дърво на решенията може да бъде следният:
 
 
 
Решенията в [[икономическата област]] обикновено се нуждаят от проверка във времето. Затова постъпването на нова информация за състоянията на природата уточнява предварителното знание и прави по-точно и правилно вземаното решение. Вземащият решение разполага при това положение с [[априорното]] (предварително) разпределение на вероятностите за състоянието на природата. След постъпване на нова информация чрез наблюдение, експеримент или някакъв друг начин за състоянието на природата се получава ново или апостериорно (последващо) разпределение на вероятностите. Обикновено проверката се прави след настъпването на някакво събитие, например взетото [[решение от управляващия]].
 
 
 
 
 
===Предимства===
 
 
 
*Не е сложен за разбиране и тълкуване. Хората са в състояние да разберат метода „Дърво на решенията” след кратко обяснение.
 
*Съставя се със сравнително прости стойности и данни. Някои важни изводи могат да се направят на базата на [[експертна оценка|експертните оценки]], описва ситуацията (нейните [[алтернатива|алтернативи]], [[вероятност]]и и [[разход]]и) и поставя на преден план предпочитаните за резултати.
 
*Ако даден резултат, се налага да се обясни чрез метода, обяснението на резултата е лесно, основавайки се само на [[проста математика]].
 
*Може да се комбинира с други техники за решение.
 
*Ръководителя има възможност да съпоставя вариантите по отделни критерии и да отчита вероятността за тяхната реализация
 
*Използва се в ситуации когато се налага да се вземат няколко последователни решения
 
*Дървото на решенията’ осигурява [[ефективна структура]], в която разполагате опциите и отразявате за всяка няколко възможни последствия, с отбелязани [[валентност]] и [[тежест]]. Получава се цялостна картина на ситуацията, която Ви дава възможност по-лесно да оцените рисковете и позитивите в сравнение.
 
 
 
==Алгоритъм за построяване на дърво на решенията==
 
 
 
===Метод===
 
 
 
Метод за построяване на “дърво на решенията”. Допълва [[ситуационен анализ|ситуационния анализ]], като в провеждания анализ се включват и възможните изходни и съответни решения. Така се получава верига от [[възможни ситуации]] и решения със съответен изход /ефект, [[печалба]], [[полза]] и т.н. При разработването на дърво на решенията трябва да се имат предвид три основни ситуации:
 
- решения в условията на определеност;
 
- решения в условия на неопределеност;
 
- решения в условията на конфликт.
 
Първата ситуация е обикновено рядко срещана. Втората ситуация е най-често срещана, тъй като в икономиката не съществуват [[безрискови ситуации]] и операции. В условията на [[неопределеност]] е невъзможно да се определи точна количествена оценка на [[вероятните изходи]]. В условията на конфликт вземането на решение се усложнява от отчитането на осъзнатото и актив ното [[противодействие]] на участниците в “конфлик тната” ситуация.
 
Съществуват ефективни алгоритми за построяване на дървета на решенията от наблюдаваните данни. Построеното в резултат от работа на даден [[алгоритъм]] дърво се използва директно за решаване на [[класификационни задачи]].
 
===Алгоритъм ID3===
 
 
 
[[Итеративен алгоритъм]]. Избира по случаен начин подмножество от обучаващите примери (наречено прозорец) и построява по него дърво на решенията, което класифицира правилно всеки пример от прозореца. Ако има неразгледани примери, които се класифицират неправилно, те се прибавят към прозореца и дървото се построява отново. [[Експеримент]]ите са показали, че такъв итеративен метод е по-ефективен от опита да се построи дървото направо от всички данни. [[Евристика]]та, използвана от ID3 за избор по кой атрибут да се разклонява дървото, е да се избере проверката, от която ще се спечели най-много [[информация]]. Тази евристика почива на аналогии с [[математическа теория|математическата теория]] на информацията (Клод Шенън) и се определя като търсене на минимална [[информационна ентропия]], тъй като да се увеличи [[спечелената информация]] означава да се намали [[неопределеност]]та или [[безпорядък]]а.
 
ID3 е бил прилаган успещно към големи [[обучаващи множества]], както и (адаптиран) към зашумени и [[непълни данни]]. Неговата простота и [[ефективност]] го правят добра алтернатива на методите за придобиване на знания, ако разполагаме с достатъчно количество подходящи данни. За разлика от метода на пространството на версиите той не е [[инкрементален]] - прибавянето на нови примери води до построяване на нова класификация с участие и на по-рано разгледаните примери. Не е гарантирано намиране на най-просто дърво на решенията, тъй като използуването на оценяваща функция от теорията на информацията всъщност е [[евристика]]. Практическите приложения са показали сравн. прости дървета на решенията и добра класификация на нови обекти.
 
В последните години са разработени и [[инкрементални алгоритми]] за [[самообучение]], работещи върху класификационни дървета (дървета на решенията).
 
[[File:durvo_na_resheniqta6.jpg|thumb|400px]]
 
  
 
==Вижте още==
 
==Вижте още==

Текуща версия към 12:32, 4 февруари 2014

Durvo na resheniqta1.jpg

Дървото на решенията е графичен метод за избор на алтернатива чрез изследване на последователни и взаимно свързани решения и резултатите от тях.

Същност

Дървото на решенията дава възможност за избор на рационално управленско решение, когато за всяка алтернатива решенията са известни или могат да бъдат предвидени стойността на възможните резултати и вероятностите за постигане на един или друг резултат.

Елементи

Дървото на решенията е графа, изградена от два типа възли:

  • възел – решение - Възлите – решения са точките, при които са налице алтернативи, измежду които следва да се вземе решение на база изчисление на очаквания резултат;
  • възел – резултат - Възлите – резултати са точките, при които дървото на решенията се разклонява на база различните възможни резултати от предприетите действия;
  • “клони”, които свързват възлите.

Вижте още

Източници

  • Introduction to Data Mining and its Applications, S. Sumathi, S. N. Sivanandam, In series: "Studies in Computational Intelligence" No. 29, Springer-Verlag Berlin Heidelberg 2006
  • A Guide to the Project Management Body of Knowledge, Project Management Institute, North Carolina, 1996.
  • Chapman, Ch., St. Ward, Project Risk Management – Processes, Techniques and Insights, John Wiley & Sons, 1997.
  • Godeth, Michael, Scenarios and Strategic Management, Butterworth Scientific, London, 1987.
  • Pollack-Johnson, Bruce, Matthew J. Liberatore, Project Planning Under Uncertainty Using Scenario Analysis, Project Management Journal, March 2005.
  • Saaty T., K. Kearns, Analytical Planning. The Organization of Systems, Pergamon Press, 1985).
  • Schnaars, Steven, Paschalina Ziamou, The Essentials of Scenario Writing, Business Horizons, July-August 2001.
  • Smith, Pr., Managing Risk as Product Development Schedule Shrink, Research-Technology Management Sep/Oct, 1999.
  • Top Eleven Ways to Manage Technical Risk, Department of the Navy, USA, 1998
  • Vertzberger, Yaacov., Y., Making and Taking Risky Decisions, Nordic Journal of International Studies, v. 33, 1998.
  • Manning, Ñ., P. Raghavan, H. Schultze. Introduction to Information Retrieval, Web Information Systems and Technologies. Springer Berlin Heidelberg, 2009.
  • Chen, L. and Ê. Sycara WebMate: A Personal Agent for Browsing and Searching, 1998, Carnegie Mellon University.
  • Claire Cardie, Nicholas Nowe. Improving Minority Class Prediction Using Case Specific Feature Weights. Proceedings of the Fourteenth International Conference on Machine Learning, July 08-12, 1997
  • Daniel Jurafsky and James H. Martin. Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recognition, Prentice Hall series in artificial intelligence, 2000.

Външни препратки