O que é uma árvore de decisão?

Uma árvore de decisão é uma ferramenta de suporte com uma estrutura semelhante a uma árvore que modela resultados prováveis, custo de recursos, utilidades e possíveis consequências. Árvores de decisão fornecem uma maneira de apresentar algoritmos Algoritmos (Algos) Algoritmos (Algos) são um conjunto de instruções que são introduzidos para executar uma tarefa. Algoritmos são introduzidos para automatizar a negociação para gerar lucros em uma frequência impossível para um comerciante humano com declarações de controle condicional . Eles incluem ramos que representam etapas de tomada de decisão que podem levar a um resultado favorável.

Árvores de decisãoFigura 1. Árvore de decisão simples (fonte)

A estrutura do fluxograma inclui nós internos que representam testes ou atributos em cada estágio. Cada ramificação representa um resultado para os atributos, enquanto o caminho da folha para a raiz representa as regras de classificação.

As árvores de decisão são uma das melhores formas de algoritmos de aprendizagem com base em vários métodos de aprendizagem. Eles aumentam os modelos preditivos com precisão, facilidade de interpretação e estabilidade. As ferramentas também são eficazes no ajuste de relacionamentos não lineares, pois são capazes de resolver desafios de ajuste de dados, como regressão e classificações.

Resumo

  • Árvores de decisão são usadas para lidar com conjuntos de dados não lineares de maneira eficaz.
  • A ferramenta de árvore de decisão é usada na vida real em muitas áreas, como engenharia, planejamento civil, direito e negócios.
  • As árvores de decisão podem ser divididas em dois tipos; árvores de decisão de variável categórica e variável contínua.

Tipos de decisões

Existem dois tipos principais de árvores de decisão que são baseadas na variável de destino, ou seja, árvores de decisão de variável categórica e árvores de decisão de variável contínua.

1. Árvore de decisão de variável categórica

Uma árvore de decisão de variável categórica inclui variáveis ​​de destino categóricas que são divididas em categorias. Por exemplo, as categorias podem ser sim ou não. As categorias significam que cada estágio do processo de decisão se enquadra em uma das categorias, e não há intermediários.

2. Árvore de decisão de variável contínua

Uma árvore de decisão de variável contínua é uma árvore de decisão com uma variável de destino contínua. Por exemplo, a renda de um indivíduo cuja renda é desconhecida pode ser prevista com base nas informações disponíveis, como ocupação, idade e outras variáveis ​​contínuas.

Aplicações de Árvores de Decisão

1. Avaliação de oportunidades de crescimento em potencial

Uma das aplicações das árvores de decisão envolve a avaliação de oportunidades de crescimento prospectivo para empresas com base em dados históricos. Os dados históricos sobre vendas podem ser usados ​​em árvores de decisão que podem levar a mudanças radicais na estratégia de um negócio para ajudar na expansão e no crescimento.

2. Usando dados demográficos para encontrar clientes em potencial

Outra aplicação das árvores de decisão está no uso de dados demográficos. Demografia Demografia refere-se às características socioeconômicas de uma população que as empresas usam para identificar as preferências de produto e comportamentos de compra dos clientes. Com as características de seu mercado-alvo, as empresas podem construir um perfil para sua base de clientes. para encontrar clientes em potencial. Eles podem ajudar a otimizar um orçamento de marketing e na tomada de decisões informadas sobre o mercado-alvo em que a empresa está focada. Na ausência de árvores de decisão, a empresa pode gastar seu mercado de marketing sem uma demografia específica em mente, o que afetará sua receita geral.

3. Servindo como ferramenta de apoio em diversos campos

Os credores também usam árvores de decisão para prever a probabilidade de um cliente inadimplir em um empréstimo, aplicando a geração de modelo preditivo usando os dados anteriores do cliente. O uso de uma ferramenta de suporte de árvore de decisão pode ajudar os credores a avaliar a qualidade de crédito de um cliente para evitar perdas.

As árvores de decisão também podem ser usadas na pesquisa operacional no planejamento de logística e gerenciamento estratégico. Gerenciamento estratégico O gerenciamento estratégico é a formulação e implementação das principais metas e iniciativas tomadas pela alta administração de uma organização em seu nome. Eles podem ajudar a determinar as estratégias adequadas que ajudarão uma empresa a atingir seus objetivos pretendidos. Outros campos onde as árvores de decisão podem ser aplicadas incluem engenharia, educação, direito, negócios, saúde e finanças.

Vantagens das árvores de decisão

1. Fácil de ler e interpretar

Uma das vantagens das árvores de decisão é que seus resultados são fáceis de ler e interpretar, sem nem mesmo exigir conhecimento estatístico. Por exemplo, ao usar árvores de decisão para apresentar informações demográficas de clientes, a equipe do departamento de marketing pode ler e interpretar a representação gráfica dos dados sem exigir conhecimento estatístico.

Os dados também podem ser usados ​​para gerar percepções importantes sobre as probabilidades, custos e alternativas para várias estratégias formuladas pelo departamento de marketing.

2. Fácil de preparar

Em comparação com outras técnicas de decisão, as árvores de decisão exigem menos esforço para a preparação de dados. Os usuários, entretanto, precisam ter informações prontas para criar novas variáveis ​​com o poder de prever a variável de destino. Eles também podem criar classificações de dados sem ter que computar cálculos complexos. Para situações complexas, os usuários podem combinar árvores de decisão com outros métodos.

3. Menos limpeza de dados necessária

Outra vantagem das árvores de decisão é que, uma vez que as variáveis ​​foram criadas, há menos necessidade de limpeza de dados. Casos de valores ausentes e outliers têm menos significância nos dados da árvore de decisão.

Desvantagens das Árvores de Decisão

1. Natureza instável

Uma das limitações das árvores de decisão é que elas são muito instáveis ​​em comparação com outros preditores de decisão. Uma pequena mudança nos dados pode resultar em uma grande mudança na estrutura da árvore de decisão, que pode transmitir um resultado diferente do que os usuários obteriam em um evento normal. A mudança resultante no resultado pode ser gerenciada por algoritmos de aprendizado de máquina, como impulsionar Boosting Boosting é um algoritmo que ajuda a reduzir a variação e o viés em um conjunto de aprendizado de máquina. O algoritmo ajuda na conversão de alunos fracos e bagging Bagging (Bootstrap Aggregation) O aprendizado de máquina do Ensemble pode ser categorizado principalmente em bagging e boosting. A técnica de bagging é útil tanto para regressão quanto para estatística.

2. Menos eficaz na previsão do resultado de uma variável contínua

Além disso, as árvores de decisão são menos eficazes para fazer previsões quando o objetivo principal é prever o resultado de uma variável contínua. Isso ocorre porque as árvores de decisão tendem a perder informações ao categorizar variáveis ​​em várias categorias.

Mais recursos

Finanças é o fornecedor oficial do Certified Banking & Credit Analyst (CBCA) ™ Certificação CBCA ™ O credenciamento Certified Banking & Credit Analyst (CBCA) ™ é um padrão global para analistas de crédito que cobre finanças, contabilidade, análise de crédito, análise de fluxo de caixa, modelagem de acordos, pagamentos de empréstimos e muito mais. programa de certificação, projetado para transformar qualquer pessoa em um analista financeiro de classe mundial.

Para continuar aprendendo e desenvolvendo seu conhecimento de análise financeira, recomendamos enfaticamente os recursos financeiros adicionais abaixo:

  • Eventos independentes Eventos independentes Em estatística e teoria da probabilidade, eventos independentes são dois eventos em que a ocorrência de um evento não afeta a ocorrência de outro evento
  • Modelos de fluxograma Modelos de fluxograma Os fluxogramas são ótimos para descrever processos de negócios de forma concisa, sem comprometer a estrutura e os detalhes. Abaixo estão quatro exemplos de modelos de fluxograma
  • Eventos mutuamente exclusivos Eventos mutuamente exclusivos Em estatística e teoria da probabilidade, dois eventos são mutuamente exclusivos se não podem ocorrer ao mesmo tempo. O exemplo mais simples de mutuamente exclusivo
  • Tree Diagram Tree Diagram Um diagrama de árvore é usado em matemática - mais especificamente, na teoria da probabilidade - como uma ferramenta para ajudar a calcular e fornecer uma representação visual de

Recomendado

O Crackstreams foi encerrado?
2022
O centro de comando do MC é seguro?
2022
Taliesin está deixando um papel crítico?
2022