Если у вас возникли сложности с курсовой, контрольной, дипломной, рефератом, отчетом по практике, научно-исследовательской и любой другой работой - мы готовы помочь.
Предоплата всего
Подписываем
МИНОБРНАУКИ РОССИИ
ФЕДЕРАЛЬНОЕ ГOCУДAPCTBEHHOE БЮДЖЕТНОЕ ОБPAЗОBATEЛЬHОE УЧPEЖДEHИE BЫCШEГО ПPОФECCИOHAЛЬHOГO ОБPAЗОBAHИЯ
«MОCKОBCKИЙ ГOCУДAPCTBEHHЫЙ ГУMAHИTAPHЫЙ
УНИВЕРСИТЕТ ИМЕНИ M.A. ШОЛОХОВА»
(MГГУ им. М.А. ШОЛОХОВА)
ИНСТИТУТ ПОЛИТИКИ, ПРАВА И СОЦИАЛЬНОГО РАЗВИТИЯ
Р Е Ф Е Р А Т
по дисциплине: «Количественные методы и математическое моделирование.Примеры.»
Тема: Алгоритм анализа экономических ситуаций на базе дерева решений.
Студентка 2-го курса
(группа ________________)
Абгарян Светлана Арамовна
_______________________________
подпись
Научный руководитель
к.ю.н., доцент
Г.А. Качалова
_______________________________
подпись
Москва, 2014
Содержание
Введение
Применение метода дерева решений для принятия решений
Заключение
Список использованной литературы
Актуальность темы исследования определяется тем, что метод дерева решений имеет большое значение для разработки эффективных управленческих решений. Метод деревьев решений является одним из наиболее популярных методов, используемых на этапе выбора альтернатив.
Метод дерева решений допускает автоматизацию процесса принятия некоторых видов решений. Стремительное развитие информационных технологий, в частности, прогресс в методах сбора, хранения и обработки данных позволил многим организациям собирать огромные массивы данных, которые необходимо анализировать. Объемы этих данных настолько велики, что возможностей экспертов уже не хватает, что породило спрос на методы автоматического исследования (анализа) данных, который с каждым годом постоянно увеличивается.
Деревья решений – один из таких методов автоматического анализа данных. На сегодняшний день существует значительное число алгоритмов, реализующих деревья решений CART, C4.5, NewId, ITrule, CHAID, CN2 и т.д.
Первые идеи создания деревьев решений восходят к работам Ховленда и Ханта конца 50-х годов XX века. Однако, основополагающей работой, давшей импульс для развития этого направления, явилась книга Ханта, Мэрина и Стоуна "Experiments in Induction", увидевшая свет в 1966г.
Однако в целом в отечественной науке еще не сформирована теоретико-методологическая база разработки управленческих решений методом дерева решений. Работы, посвященные рассмотрению вопросов теории и методологии, практически отсутствуют, в большинстве работ рассматриваются частные случаи, в том числе по автоматизации метода.
Понятийный аппарат. В работе используются следующие основные понятия:
варианты – возможные способы решения проблемы, средства достижения цели;
альтернативы – взаимоисключающие варианты (средства) решения проблемы;
критерий (или критерии) выбора альтернатив – основание выбора альтернатив или определения порядка предпочтения вариантов;
решение – собственно выбор как минимум из двух альтернатив или определение порядка предпочтения как минимум двух вариантов;
допустимое решение (решения) – решение (решения), удовлетворяющее существующим ограничениям;
эффективное решение – решение, оптимальное по двум критериям –реализации целевой функции и минимизациям затрат;
возможные исходы – возможные последствия реализации тех или иных вариантов или альтернатив.
Применение метода дерева решений для принятия решений
Одним из популярных методов принятия решений являются деревья решений. С помощью этого метода можно принимать решения:
по социальным и макроэкономическим вопросам;
по развитию фирмы или в банковской сфере.
Деревья решений используются также для диагностики в медицине, экономике и бизнесе.
Основное отличие деревьев решений от методов распознавания образов и моделирования состоит в том, что проводимое исследование основывается на логических рассуждениях, а не на вычислениях. Деревья решений – это один из методов построения экспертных систем на основе правил вывода. Такие системы называются системами прямого логического вывода, так как мы начинаем с фактов, в результате приходим к тому или иному выводу.
Дерево решений – популярный метод науки управления, используемый для выбора наилучшего направления действий из имеющихся вариантов. "Дерево решений – это схематичное представление проблемы принятия решений". Как и платежная матрица, дерево решений дает руководителю возможность "учесть различные направления действий, соотнести с ними финансовые результаты, скорректировать их в соответствии с приписанной им вероятностью, а затем сравнить альтернативы". Концепция ожидаемого значения является неотъемлемой частью метода дерева решений.
Методом дерева решений можно пользоваться в ситуациях, в связи с рассмотрением платежной матрицы. В этом случае предполагается, что данные о результатах, вероятности и т.п. не влияют на все последующие решения. Однако дерево решений можно построить под более сложную ситуацию, когда результаты одного решения влияют на последующие решения. Таким образом, дерево решений – это полезный инструмент для принятия последовательных решений.
Прогнозы полезны для планирования и осуществления деловых операций только в том случае, если компоненты прогноза тщательно продуманы, а ограничения, содержащиеся в прогнозе, откровенно названы.
Дерево решений позволяет представить проблему схематично и сравнить возможные альтернативы визуально. Этот метод можно использовать в применении к сложным ситуациям, когда результат принимаемого решения влияет на последующие.
В наиболее простом виде дерево решений – это способ представления правил в иерархической, последовательной структуре. Основа такой структуры – ответы "Да" или "Нет" на ряд вопросов.
На рис. 2 приведен классический пример дерева решений, задача которого – ответить на вопрос: "Играть ли в гольф?". Чтобы решить задачу, т.е. принять решение, играть ли в гольф, следует отнести текущую ситуацию к одному из известных классов (в данном случае – "играть" или "не играть"). Для этого требуется ответить на ряд вопросов, которые находятся в узлах этого дерева, начиная с его корня.
Первый узел нашего дерева "Солнечно?" является узлом проверки, т.е. условием. При положительном ответе на вопрос осуществляется переход к левой части дерева, называемой левой ветвью, при отрицательном – к правой части дерева. Таким образом, внутренний узел дерева является узлом проверки определенного условия. Далее идет следующий вопрос и т.д., пока не будет достигнут конечный узел дерева, являющийся узлом решения. Для нашего дерева существует два типа конечного узла: "играть" и "не играть" в гольф.
В результате прохождения от корня дерева (иногда называемого корневой вершиной) до его вершины решается задача классификации, т.е. выбирается один из классов – "играть" и "не играть" в гольф.
Целью построения дерева решения в нашем случае является определение значения категориальной зависимой переменной.
Итак, основными элементами дерева решений являются:
Корень дерева: "Солнечно?"
Рис.2. Дерево решений "Играть ли в гольф?"
Внутренний узел дерева или узел проверки: "Температура воздуха высокая?", "Идет ли дождь?"
Лист, конечный узел дерева, узел решения или вершина: "Играть", "Не играть"
Ветвь дерева (случаи ответа): "Да", "Нет".
В рассмотренном примере решается задача бинарной классификации, т.е. этот пример демонстрирует работу так называемых бинарных деревьев.
В узлах бинарных деревьев ветвление может вестись только в двух направлениях, т.е. существует возможность только двух ответов на поставленный вопрос ("да" и "нет").
Бинарные деревья являются самым простым, частным случаем деревьев решений. В остальных случаях, ответов и, соответственно, ветвей дерева, выходящих из его внутреннего узла, может быть больше двух.
Рассмотрим более сложный пример. База данных, на основе которой должно осуществляться прогнозирование, содержит следующие ретроспективные данные о клиентах банка, являющиеся ее атрибутами: возраст, наличие недвижимости, образование, среднемесячный доход, вернул ли клиент вовремя кредит. Задача состоит в том, чтобы на основании перечисленных выше данных (кроме последнего атрибута) определить, стоит ли выдавать кредит новому клиенту.
Правилом является логическая конструкция, представленная в виде "если : то :"
На рис. 3. приведен пример дерева классификации, с помощью которого решается задача "Выдавать ли кредит клиенту?". Она является типичной задачей классификации, и при помощи деревьев решений получают достаточно хорошие варианты ее решения.
Как видно из рисунка, внутренние узлы дерева (возраст, наличие недвижимости, доход и образование) являются атрибутами описанной выше базы данных. Эти атрибуты называют прогнозирующими, или атрибутами расщепления. Конечные узлы дерева, или листы, именуются метками класса, являющимися значениями зависимой категориальной переменной "выдавать" или "не выдавать" кредит.
На рис3. изображено одно из возможных деревьев решений для рассматриваемой базы данных. Например, критерий расщепления "Какое образование?", мог бы иметь два предиката расщепления и выглядеть иначе: образование "высшее" и "не высшее". Тогда дерево решений имело бы другой вид.
Таким образом, для данной задачи (как и для любой другой) может быть построено множество деревьев решений различного качества, с различной прогнозирующей точностью.
Рис. 3 Дерево решений "Выдавать ли кредит?"
Метод деревьев решений часто называют "наивным" подходом. Но благодаря целому ряду преимуществ, данный метод является одним из наиболее популярных для решения задач классификации.
Дерево решений – способ отображения информации, имеющих много различных уровней и связей. Обычно представляет построенную по иерархическому принципу: главная цель или вершина дерева целей → подчиненные ей подцели первого, второго и последующих уровней (ветви дерева).
Дерево решений – популярный метод науки управления, используемый для выбора наилучшего направления действий из имеющихся вариантов.
Дерево решений позволяет представить проблему схематично и сравнить возможные альтернативы визуально. Этот метод можно использовать в применении к сложным ситуациям, когда результат принимаемого решения влияет на последующие.
Качество работы рассмотренного метода деревьев решений зависит как от выбора алгоритма, так и от набора исследуемых данных. Несмотря на все преимущества данного метода, следует помнить, что для того, чтобы построить качественную модель, необходимо понимать природу взаимосвязи между зависимыми и независимыми переменными и подготовить достаточный набор данных.