Un albero decisionale è uno strumento di supporto con una struttura ad albero che modella risultati probabili, costo delle risorse, utilità e possibili conseguenze. Gli alberi decisionali forniscono un modo per presentare gli algoritmi Algoritmi (Algos) Gli algoritmi (Algos) sono un insieme di istruzioni introdotte per eseguire un'attività Gli algoritmi vengono introdotti per automatizzare il trading per generare profitti a una frequenza impossibile per un trader umano con dichiarazioni di controllo condizionali . Includono rami che rappresentano passaggi decisionali che possono portare a un risultato favorevole.
Figura 1. Albero decisionale semplice (sorgente)
La struttura del diagramma di flusso include nodi interni che rappresentano test o attributi in ciascuna fase. Ogni ramo rappresenta un risultato per gli attributi, mentre il percorso dalla foglia alla radice rappresenta le regole per la classificazione.
Gli alberi decisionali sono una delle migliori forme di algoritmi di apprendimento basati su vari metodi di apprendimento. Migliorano i modelli predittivi con precisione, facilità di interpretazione e stabilità. Gli strumenti sono anche efficaci nell'adattare le relazioni non lineari poiché sono in grado di risolvere le sfide di adattamento dei dati, come la regressione e le classificazioni.
Sommario
- Gli alberi decisionali vengono utilizzati per gestire in modo efficace i set di dati non lineari.
- Lo strumento dell'albero decisionale viene utilizzato nella vita reale in molte aree, come ingegneria, pianificazione civile, diritto e affari.
- Gli alberi decisionali possono essere suddivisi in due tipi; alberi decisionali variabili categoriali e variabili continue.
Tipi di decisioni
Esistono due tipi principali di alberi decisionali basati sulla variabile obiettivo, ovvero alberi decisionali variabili categoriali e alberi decisionali variabili continue.
1. Albero decisionale delle variabili categoriali
Un albero decisionale per variabili categoriali include variabili target categoriali suddivise in categorie. Ad esempio, le categorie possono essere sì o no. Le categorie indicano che ogni fase del processo decisionale rientra in una delle categorie e non ci sono intermedi.
2. Albero decisionale variabile continuo
Un albero decisionale a variabile continua è un albero decisionale con una variabile obiettivo continua. Ad esempio, il reddito di un individuo il cui reddito è sconosciuto può essere previsto in base alle informazioni disponibili come la loro occupazione, età e altre variabili continue.
Applicazioni degli alberi decisionali
1. Valutazione delle potenziali opportunità di crescita
Una delle applicazioni degli alberi decisionali implica la valutazione delle potenziali opportunità di crescita per le imprese sulla base di dati storici. I dati storici sulle vendite possono essere utilizzati negli alberi decisionali che possono portare a cambiamenti radicali nella strategia di un'azienda per aiutare l'espansione e la crescita.
2. Utilizzo dei dati demografici per trovare potenziali clienti
Un'altra applicazione degli alberi decisionali è nell'uso dei dati demografici. Dati demografici I dati demografici si riferiscono alle caratteristiche socio-economiche di una popolazione che le aziende utilizzano per identificare le preferenze di prodotto e i comportamenti di acquisto dei clienti. Con le caratteristiche del mercato di riferimento, le aziende possono costruire un profilo per la loro base di clienti. per trovare potenziali clienti. Possono aiutare a razionalizzare un budget di marketing e a prendere decisioni informate sul mercato di riferimento su cui si concentra l'attività. In assenza di alberi decisionali, l'impresa può spendere il proprio mercato di marketing senza una specifica fascia demografica in mente, il che influirà sui suoi ricavi complessivi.
3. Serve come strumento di supporto in diversi campi
I finanziatori utilizzano anche alberi decisionali per prevedere la probabilità che un cliente sia inadempiente su un prestito, applicando la generazione di modelli predittivi utilizzando i dati passati del cliente. L'uso di uno strumento di supporto dell'albero decisionale può aiutare gli istituti di credito a valutare l'affidabilità creditizia di un cliente per evitare perdite.
Gli alberi decisionali possono essere utilizzati anche nella ricerca operativa nella pianificazione della logistica e della gestione strategica Gestione strategica La gestione strategica è la formulazione e l'attuazione dei principali obiettivi e iniziative intraprese dal top management di un'organizzazione per conto di essa. Possono aiutare a determinare strategie appropriate che aiuteranno un'azienda a raggiungere gli obiettivi prefissati. Altri campi in cui è possibile applicare alberi decisionali includono ingegneria, istruzione, diritto, affari, sanità e finanza.
Vantaggi degli alberi decisionali
1. Facile da leggere e interpretare
Uno dei vantaggi degli alberi decisionali è che i loro output sono facili da leggere e interpretare, senza nemmeno richiedere conoscenze statistiche. Ad esempio, quando si utilizzano alberi decisionali per presentare informazioni demografiche sui clienti, il personale del reparto marketing può leggere e interpretare la rappresentazione grafica dei dati senza richiedere conoscenze statistiche.
I dati possono essere utilizzati anche per generare importanti approfondimenti sulle probabilità, i costi e le alternative alle varie strategie formulate dal reparto marketing.
2. Facile da preparare
Rispetto ad altre tecniche decisionali, gli alberi decisionali richiedono meno sforzi per la preparazione dei dati. Gli utenti, tuttavia, devono disporre di informazioni pronte per creare nuove variabili con il potere di prevedere la variabile target. Possono anche creare classificazioni di dati senza dover calcolare calcoli complessi. Per situazioni complesse, gli utenti possono combinare alberi decisionali con altri metodi.
3. Meno pulizia dei dati richiesta
Un altro vantaggio degli alberi decisionali è che, una volta create le variabili, è necessaria una minore pulizia dei dati. I casi di valori mancanti e valori anomali hanno meno importanza sui dati dell'albero decisionale.
Svantaggi degli alberi decisionali
1. Natura instabile
Uno dei limiti degli alberi decisionali è che sono in gran parte instabili rispetto ad altri predittori decisionali. Un piccolo cambiamento nei dati può comportare un cambiamento importante nella struttura dell'albero decisionale, che può trasmettere un risultato diverso da quello che gli utenti otterranno in un evento normale. Il cambiamento risultante nel risultato può essere gestito da algoritmi di apprendimento automatico, come il potenziamento Boosting Boosting è un algoritmo che aiuta a ridurre varianza e bias in un insieme di machine learning. L'algoritmo aiuta nella conversione di studenti deboli e nel bagging Bagging (Bootstrap Aggregation) L'apprendimento automatico dell'insieme può essere principalmente classificato in bagging e boosting. La tecnica del bagging è utile sia per la regressione che per la statistica.
2. Meno efficace nel prevedere il risultato di una variabile continua
Inoltre, gli alberi decisionali sono meno efficaci nel fare previsioni quando l'obiettivo principale è prevedere il risultato di una variabile continua. Questo perché gli alberi decisionali tendono a perdere informazioni quando si categorizzano le variabili in più categorie.
Più risorse
Finance è il fornitore ufficiale della certificazione CBCA ™ Certified Banking & Credit Analyst (CBCA) ™ L'accreditamento Certified Banking & Credit Analyst (CBCA) ™ è uno standard globale per gli analisti del credito che copre finanza, contabilità, analisi del credito, analisi del flusso di cassa, modelli di alleanze, rimborsi di prestiti e altro ancora. programma di certificazione, progettato per trasformare chiunque in un analista finanziario di livello mondiale.
Per continuare ad apprendere e sviluppare la tua conoscenza dell'analisi finanziaria, consigliamo vivamente le risorse finanziarie aggiuntive riportate di seguito:
- Eventi indipendenti Eventi indipendenti In statistica e teoria della probabilità, gli eventi indipendenti sono due eventi in cui il verificarsi di un evento non influisce sul verificarsi di un altro evento
- Modelli di diagramma di flusso Modelli di diagramma di flusso I diagrammi di flusso sono ottimi per descrivere i processi aziendali in modo conciso senza compromettere la struttura e i dettagli. Di seguito sono riportati quattro modelli di diagramma di flusso di esempio
- Eventi che si escludono a vicenda Eventi che si escludono a vicenda In statistica e teoria delle probabilità, due eventi si escludono a vicenda se non possono verificarsi contemporaneamente. L'esempio più semplice di mutuamente escludersi
- Diagramma ad albero Diagramma ad albero Un diagramma ad albero viene utilizzato in matematica - più specificamente, nella teoria delle probabilità - come strumento per aiutare a calcolare e fornire una rappresentazione visiva di
