Какво описва дървото на решенията в контекста на анализа на решенията?

Дървото на решенията е структуриран графичен модел за визуализиране на процесите на вземане на решения. Използва се в компютърните науки, статистиката, бизнес администрацията, психологията и все по-често в изкуствения интелект. В основата си дървото на решенията визуализира правилата за вземане на решения под формата на дървовидна структура. Всяко разклонение представлява условие, а всеки клон - възможно проявление на това условие, а всеки лист (краен възел) представлява резултат или решение.

Дърветата на решенията са особено популярни, защото представят сложни взаимоотношения по визуално разбираем начин. Те принадлежат към т.нар. методи за контролирано обучение в областта на машинното обучение. В същото време те се използват от десетилетия в традиционните анализи на решения, например при инвестиционни решения, Оценки на риска или медицински диагнози.

1. Основна идея за дърво на решенията

Дървото на решенията се основава на проста логика: Ако е изпълнено определено условие, отидете наляво. Ако то не е изпълнено, отидете надясно. Този принцип се повтаря рекурсивно, докато се постигне краен резултат.

Формално дървото на решенията се състои от:

• Коренен възел: Начална точка на процеса на вземане на решение
• Вътрешни възли (възли за вземане на решение): Проверка на условие или характеристика
• Клонове: Възможни характеристики на условието
• Листа (листови възли): Краен резултат или класификация

Пример: Дружество проверява дали даден проект трябва да бъде започнат. Първият въпрос е: Очакваната възвръщаемост на инвестициите по-голяма ли е от 12 %? В зависимост от отговора процесът на вземане на решение се разклонява в допълнителни проверки.

2. Математическа основа

Дърветата на решенията разделят пространството за вземане на решения стъпка по стъпка. От математическа гледна точка това е рекурсивно разделяне на пространството от признаци.

Типични критерии за оптимизация при обучение на дърво на решенията са

• Индекс на Джини
• Ентропия (печалба от информация)
• Намаляване на вариацията (за регресионни дървета)

Целта е да се намали "замърсяването" на данните при всяко разделяне.

3. Видове дървета на решенията

Тип	Вид Описание	Описание Пример
Класификационно дърво	Причислява данни към категория	Спам или без спам
Регресионно дърво	Предвижда цифрови стойности	Прогноза за продажбите
CHAID	Разбивка, базирана на статистически данни, с тест хи-квадрат	Сегментиране на пазара
CART	Бинарно разделяне, широко използвано	Медицинска диагностика

4. Предимства на дърветата на решенията

• Висока степен на интерпретация
• Не са необходими линейни предположения
• Могат да работят с категорични и числови данни
• Могат да се визуализират

5. Недостатъци на дърветата на решенията

• Свръхприспособление
• Нестабилност при малки промени в данните
• Алчна оптимизация (локална, а не глобална)

Последната точка е особено важна: Класическото дърво на решенията винаги оптимизира най-доброто разделяне само локално. То не проверява цялото пространство за вземане на решения едновременно.

6. Дърво на решенията срещу сложно пространство за вземане на решения

Ако например оценяваме 20 проекта, има²²⁰ възможни комбинации. Това са 1 048 576 комбинации.

Едно класическо дърво на решенията не би могло да прегледа всички тези възможности. То взема решения стъпка по стъпка и следва определен път.

Това е основната разлика със съвременната интелигентност при вземането на решения.

7. Интелект за вземане на решения StratePlan

Докато дървото на решенията структурира йерархично пространството на решенията и го оптимизира локално, stratePlan работи с глобална логика на оптимизация.

Вместо да оценява отделни разделяния, StratePlan анализира цялото комбинаторно пространство едновременно. От около седем проекта броят на възможните комбинации се увеличава експоненциално (2^N). От 20 проекта вече говорим за над милион възможности. От 50 проекта вече говорим за над един квадрилион.

Класическото дърво на решенията може да представи тези пространства структурно, но не може да ги изчисли глобално.

StratePlan, от друга страна, използва математически методи за оптимизация, за директно изчисляване на глобалния оптимум при ограничения (бюджет, време за изпълнение, вътрешна възвръщаемост на капитала, стратегически ограничения) директно.

8. Пример: Инвестиционен портфейл

Финансов директор трябва да избере измежду 15 проекта. Всеки проект има:

• Инвестиционни разходи
• Очаквана възвръщаемост на инвестицията
• Продължителност
• Рисков профил
• Стратегически приоритет

Едно дърво на решенията може да филтрира стъпка по стъпка:

1. ВЪЗВРЪЩАЕМОСТ НА ИНВЕСТИЦИИТЕ > 10 %?
2. Наличен бюджет?
3. Приемлив риск?

StratePlan изчислява всички²¹⁵ = 32 768 комбинации едновременно, като взема предвид всички всички ограничения едновременно и идентифицира математически оптималния портфейл.

9. Дървета на решенията в практиката

Дърветата на решенията се използват в:

• Медицинска диагностика
• Кредитно оценяване
• Маркетингова сегментация
• Контрол на качеството
• Решения в областта на човешките ресурси

В много от тези случаи на употреба тълкуването е по-важно от глобалната оптимизация.

10. Заключение

Дървото на решенията е прозрачен и интуитивен инструмент за структуриране на решения. То е идеално за задачи за класификация и прогнозиране с ясни характеристики.

Слабостта му се крие в локалната, поетапна логика на решението. За високоизмерни портфейлни или инвестиционни решения с експоненциално пространство на решенията тази структура вече не е достатъчна тази структура вече не е достатъчна.

Именно тук се появява съвременната интелигентност за вземане на решения като StratePlan: Търсенето не е за най-доброто следващо разделяне, а глобалния оптимум в цялата стая.

ЧЕСТО ЗАДАВАНИ ВЪПРОСИ

Какво представлява дървото на решенията с прости думи?

Дървото на решенията е диаграма за вземане на решения, която разглежда въпросите един след друг и води до резултат.

Дървото на решенията изкуствен интелект ли е?

Да, в машинното обучение то е процес на обучение под наблюдение. То е един от класическите методи на ИИ.

Каква е разликата между дърво на решенията и случайна гора?

Случайната гора комбинира много дървета на решенията, за да увеличи стабилността и точността.

Защо дърветата на решенията могат да се интерпретират?

Защото всяко решение се основава на ясни и разбираеми правила.

Къде са границите?

При експоненциално нарастващи пространства за вземане на решения и сложни ограничения.

С какво StratePlan е различен?

StratePlan изчислява глобалния оптимум в цялото комбинаторно пространство за вземане на решения и отчита едновременно ограниченията на бюджета, времето и възвръщаемостта.

Кога трябва да използвате дърво на решенията?

Когато прозрачността, основаната на правила и бързата класификация са по-важни от глобалната оптимизация на портфейла.