Un arbre de décision est un outil de support avec une structure arborescente qui modélise les résultats probables, le coût des ressources, les services publics et les conséquences possibles. Les arbres de décision fournissent un moyen de présenter des algorithmes Les algorithmes (Algos) Les algorithmes (Algos) sont un ensemble d'instructions qui sont introduites pour effectuer une tâche.Des algorithmes sont introduits pour automatiser le trading afin de générer des bénéfices à une fréquence impossible à un commerçant humain avec des déclarations de contrôle conditionnelles . Ils comprennent des succursales qui représentent des étapes décisionnelles pouvant conduire à un résultat favorable.
Figure 1. Arbre de décision simple (source)
La structure de l'organigramme comprend des nœuds internes qui représentent des tests ou des attributs à chaque étape. Chaque branche représente un résultat pour les attributs, tandis que le chemin de la feuille à la racine représente les règles de classification.
Les arbres de décision sont l'une des meilleures formes d'algorithmes d'apprentissage basés sur diverses méthodes d'apprentissage. Ils améliorent les modèles prédictifs avec précision, facilité d'interprétation et stabilité. Les outils sont également efficaces pour ajuster les relations non linéaires car ils sont capables de résoudre les problèmes d'ajustement des données, tels que la régression et les classifications.
Résumé
- Les arbres de décision sont utilisés pour gérer efficacement les ensembles de données non linéaires.
- L'outil d'arbre de décision est utilisé dans la vie réelle dans de nombreux domaines, tels que l'ingénierie, la planification civile, le droit et les affaires.
- Les arbres de décision peuvent être divisés en deux types; variables catégorielles et arbres de décision de variables continues.
Types de décisions
Il existe deux principaux types d'arbres de décision basés sur la variable cible, c'est-à-dire les arbres de décision à variables catégorielles et les arbres de décision à variables continues.
1. Arbre de décision des variables catégorielles
Un arbre de décision de variable catégorielle comprend des variables cibles catégorielles qui sont divisées en catégories. Par exemple, les catégories peuvent être oui ou non. Les catégories signifient que chaque étape du processus de décision appartient à l'une des catégories et qu'il n'y a pas d'intermédiaires.
2. Arbre de décision variable continue
Un arbre de décision à variable continue est un arbre de décision avec une variable cible continue. Par exemple, le revenu d'une personne dont le revenu est inconnu peut être prédit en fonction des informations disponibles telles que sa profession, son âge et d'autres variables continues.
Applications des arbres de décision
1. Évaluation des opportunités de croissance potentielles
L'une des applications des arbres de décision consiste à évaluer les opportunités de croissance potentielles pour les entreprises sur la base de données historiques. Les données historiques sur les ventes peuvent être utilisées dans les arbres de décision qui peuvent conduire à des changements radicaux dans la stratégie d'une entreprise pour aider l'expansion et la croissance.
2. Utilisation des données démographiques pour trouver des clients potentiels
Une autre application des arbres de décision est l'utilisation de données démographiques. Démographie La démographie fait référence aux caractéristiques socio-économiques d'une population que les entreprises utilisent pour identifier les préférences de produits et les comportements d'achat des clients. Grâce aux caractéristiques de leur marché cible, les entreprises peuvent créer un profil pour leur clientèle. pour trouver des clients potentiels. Ils peuvent aider à rationaliser un budget marketing et à prendre des décisions éclairées sur le marché cible sur lequel l'entreprise se concentre. En l'absence d'arbres de décision, l'entreprise peut dépenser son marché marketing sans avoir à l'esprit une démographie spécifique, ce qui affectera ses revenus globaux.
3. Servir d'outil de support dans plusieurs domaines
Les prêteurs utilisent également des arbres de décision pour prédire la probabilité de défaut d'un client sur un prêt, en appliquant la génération de modèles prédictifs en utilisant les données passées du client. L'utilisation d'un outil d'aide à l'arbre de décision peut aider les prêteurs à évaluer la solvabilité d'un client pour éviter les pertes.
Les arbres de décision peuvent également être utilisés dans la recherche opérationnelle dans la planification de la logistique et de la gestion stratégique. Ils peuvent aider à déterminer les stratégies appropriées qui aideront une entreprise à atteindre ses objectifs. D'autres domaines dans lesquels les arbres de décision peuvent être appliqués incluent l'ingénierie, l'éducation, le droit, les affaires, la santé et la finance.
Avantages des arbres de décision
1. Facile à lire et à interpréter
L'un des avantages des arbres de décision est que leurs résultats sont faciles à lire et à interpréter, sans même nécessiter de connaissances statistiques. Par exemple, lors de l'utilisation d'arbres de décision pour présenter des informations démographiques sur les clients, le personnel du service marketing peut lire et interpréter la représentation graphique des données sans nécessiter de connaissances statistiques.
Les données peuvent également être utilisées pour générer des informations importantes sur les probabilités, les coûts et les alternatives aux différentes stratégies formulées par le service marketing.
2. Facile à préparer
Par rapport à d'autres techniques de décision, les arbres de décision demandent moins d'efforts pour la préparation des données. Les utilisateurs, cependant, doivent disposer d'informations prêtes à l'emploi afin de créer de nouvelles variables avec le pouvoir de prédire la variable cible. Ils peuvent également créer des classifications de données sans avoir à calculer des calculs complexes. Pour les situations complexes, les utilisateurs peuvent combiner des arbres de décision avec d'autres méthodes.
3. Moins de nettoyage des données requis
Un autre avantage des arbres de décision est qu'une fois les variables créées, le nettoyage des données est moins important. Les cas de valeurs manquantes et de valeurs aberrantes ont moins d'importance sur les données de l'arbre de décision.
Inconvénients des arbres de décision
1. Nature instable
L'une des limites des arbres de décision est qu'ils sont largement instables par rapport aux autres prédicteurs de décision. Un petit changement dans les données peut entraîner un changement majeur dans la structure de l'arbre de décision, ce qui peut donner un résultat différent de ce que les utilisateurs obtiendront dans un événement normal. Le changement résultant du résultat peut être géré par des algorithmes d'apprentissage automatique, tels que Boosting Boosting est un algorithme qui aide à réduire la variance et les biais dans un ensemble d'apprentissage automatique. L'algorithme aide à la conversion des apprenants faibles et au bagging Bagging (Bootstrap Aggregation) L'apprentissage automatique d'Ensemble peut être principalement catégorisé en bagging et boosting. La technique d'ensachage est utile à la fois pour la régression et les statistiques.
2. Moins efficace pour prédire le résultat d'une variable continue
De plus, les arbres de décision sont moins efficaces pour faire des prédictions lorsque l'objectif principal est de prédire le résultat d'une variable continue. En effet, les arbres de décision ont tendance à perdre des informations lors de la catégorisation des variables en plusieurs catégories.
Plus de ressources
Finance est le fournisseur officiel de la certification Certified Banking & Credit Analyst (CBCA) ™ CBCA ™ L'accréditation Certified Banking & Credit Analyst (CBCA) ™ est une norme mondiale pour les analystes de crédit qui couvre la finance, la comptabilité, l'analyse de crédit, modélisation d'alliances, remboursements de prêts, etc. programme de certification, conçu pour transformer n'importe qui en analyste financier de classe mondiale.
Pour continuer à apprendre et à développer vos connaissances en analyse financière, nous vous recommandons vivement les ressources financières supplémentaires ci-dessous:
- Événements indépendants Événements indépendants Dans les statistiques et la théorie des probabilités, les événements indépendants sont deux événements dans lesquels l'occurrence d'un événement n'affecte pas l'occurrence d'un autre événement
- Modèles d'organigramme Modèles d'organigramme Les organigrammes sont parfaits pour décrire les processus métier de manière concise sans compromettre la structure et les détails. Voici quatre exemples de modèles d'organigramme
- Événements mutuellement exclusifs Événements mutuellement exclusifs Dans les statistiques et la théorie des probabilités, deux événements s'excluent mutuellement s'ils ne peuvent pas se produire en même temps. L'exemple le plus simple d'exclusion mutuelle
- Diagramme d'arbre Diagramme d'arbre Un diagramme d'arbre est utilisé en mathématiques - plus spécifiquement, en théorie des probabilités - comme un outil pour aider à calculer et fournir une représentation visuelle de
