Modelul Arborelui de Decizie

I. INTRODUCERE

În mod tradiţional, economiştii s-au bizuit pe modele probabilistice şi logice atunci când au încercat să explice cum este asociată o alegere binară particulară cu o mulţime de variabile care o descriu. Astfel de modele au o atracţie larg răspândită prin aceea că ele pot fi derivate, cel puţin intuitiv, din modele economice de luări de decizii individuale, sunt uşor de estimat, iar rezultatele lor sunt uşor de interpretat.

Însă relativ de curând, specialiştii ştiinţei calculatoarelor din domeniul inteligenţei artificiale şi machine learning au pus în evidenţă alte instrumente de clasificare cu caracteristici superioare modelelor probabilistice şi logice. Aceste instrumentele specifice Data Mining includ algoritmi ca: reţelele neuronale şi arborii de decizie. Astfel de algoritmi induc modele puternic neliniare care sunt considerate mai flexibile decât metodele liniare tradiţionale şi în consecinţă, furnizează o potrivire mai bună la datele empirice. Astfel de tehnici Data Mining sunt mai performante în clasificarea unui obiect individual într-o categorie particulară pe baza atributelor sale individuale

Arborii de decizie sunt folosiţi pentru a selecta cea mai bună direcţie de acţiune în situaţiile în care apare incertitudinea. Multe decizii de afaceri intră în această categorie. De exemplu, un producător trebuie să decidă cât de mare să fie stocul creat înainte de a ştii precis care va fi cererea. O persoană aflată în litigiu trebuie să aleagă între o înţelegere în afara tribunalului sau riscul unui proces. Un jucător la bursă trebuie să decidă să cumpere înainte de a ştii dacă ceea ce a cumpărat poate fi vândut ulterior pentru a obţine un profit. În toate aceste cazuri, cel care ia decizia întâlneşte un necunoscut care pare să îl facă incapabil să aleagă varianta corectă cu siguranţă absolută.

Chiar dacă cel care ia decizia nu cunoaşte ce efect va avea factorul necunoscut, el are de obicei nişte cunoştinţe despre efectele ce pot să apară şi cum e mai probabil să apară fiecare efect. Această informaţie poate fi utilizată pentru a selecta opţiunea care este cel mai probabil să producă rezultate favorabile. Arborii de decizie fac uşor de aplicat acest tip de analiză.

Algoritmii de arbori de decizie sunt utilizaţi la explorarea setului de date în problemele de afaceri. Aceasta se realizează adesea prin urmărirea predictorilor şi a valorilor care sunt alese la fiecare ramificare a arborelui.

II. METODA ARBORELUI DE DECIZIE

În expunerea de până acum luarea deciziei a fost limitată la o singură decizie de-a lungul unei perioade de timp. La începutul perioadei se lua o decizie, iar consecinţele acesteia erau estimate în funcţie de valoarea prezentă sau viitoare a rezultatelor. Toate informaţiile erau prezentate sub forma unui tabel decizional. Există, totuşi, situaţii în care o decizie nu poate fi considerată izolată, ci mai degrabă ca fiind prima dintr-o serie de decizii independente de-a lungul câtorva perioade viitoare. De aceea, factorul de decizie trebuie să ia simultan în considerare toate aceste decizii. O astfel de situaţie se numeşte proces decizional succesiv sau multiperiodic. Folosirea tabelelor decizionale pentru analizarea acestor decizii se dovedeşte a fi neadecvantă. În astfel de situaţii instrumentul folosit se numeşte “arbore” de decizie, care este, de fapt, expunerea grafică a tabelelor decizionale sub formă de arbore

Avantaje.

Arborii de decizie pun la dispoziţie prezentarea grafică a proceselor decizionale succesive. Aceştia arată clar când trebuie să luăm deciziile care sunt posibilele urmări şi care vor fi câştigurile finale.

Alt avantaj îl constituie faptul că rezultatele calculelor sunt ilustrate direct pe arbore, simplificând astfel analiza

1. Structura unui arbore de decizie

Un arbore de decizie (vezi figura 1) se compune din următoarele elemente: puncte de decizie, alternative, puncte de ocazie, stări naturale şi câştiguri