כיצד ניתן להבחין בין עץ ההחלטות מידע על קבלת החלטות עסקיות

ללא קשר לסוג, מיומנויות פרשנות הליבה דומות.אתה חייב להבין איך העץ מחלק את הנתונים, אילו קריטריונים הוא משתמש כדי לעשות פיצולים, וכיצד לעקוב אחר נתיב מהשורש עלה כדי להעריך תרחיש מסוים.

המונחים: Decision Tree Output

כל פלט עץ החלטה, בין אם מודפס כטקסט, ויזואלי כאגרמת, או מיוצג בלוחם, מכיל את אותם אבני בניין בסיסיות. Mastering רכיבים אלה הוא הצעד הראשון לפרשנות אמינה.

שם מקור: Root, Internal and Leaf

• (ב) [ה]העיקרון]: [ה] [ה]] [ה]], ה[[המאה ה-1], הוא מציג את החלוקה הראשונית של משתנה היעד.
• (FLT:0 צומת מדרשים) 1 - נקודות החלטה שבו ה-Dataset מתחלק על בסיס תכונה וסף.כל צומת פנימי מציג את הכלל המתפצל (למשל, "Age < 35") מספר הדגימות שמגיעות לכך ללא צומת, ולעתים קרובות את העיוות או השגיאה.
• (FLT:0Leaf nodes (הצבה) , 1:1 - תוצאות סופיות. עבור סיווג, עלה מראה את השיעור הצפוי ואת שיעור דגימות הכשרה מכל מחלקה אשר בסופו של דבר שם.

מחסומים ודרכים

כל ענף מחבר שני צמתים ומייצג את שלטון ההחלטה החל: "אם המצב נכון, עזב; אם שקר, לכו ימינה." נתיב מהשורש לעלון הוא רצף ייחודי של החלטות.שלב נתיב מספר לכם את השילוב הספציפי של תכונות שמובילות לחיזוי מסוים.

פיצול מדדי קריטריה ואמצעי אי-אלימות

עצי החלטות משתמשים באלגוריתמים כמו CART (Classification ו-Regression Trees) או C4.5 כדי לבחור את הפיצול הטוב ביותר בכל צומת.התפוקה כוללת לעיתים קרובות ערכים של אי-נוחות המסייעים לך להבין כיצד "טהור" הוא:

• (ב) [15] ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) [15] , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
• (ב) [15] ,9) ,(ה) ,(התקפה) – נמוך יותר מ-MSE עלה, מצביע על תחזיות מדויקות יותר.

כאשר מפרשים את הפלט, שימו לב לערכים האלה.על עם אי-נוחות גבוהה או טעות גבוהה מרמז כי ההחלטה פחות אמינה, ייתכן שתצטרכו נתונים נוספים או מודל חלופי.

כיצד לקרוא את מדד עץ ההחלטות

דיאגרמות עץ החלטות חזותיות הן הפלט הנפוץ ביותר בכלים עסקיים כמו Directus, ה-Sont-learnt-learn, או R's rpart. Follow This שיטתית שיטה לקרוא כל דיאגרמת עץ:

1. (ב) קרא את הקופסא העליונה ביותר.
2. (ב) ⁇ :0) בעקבות הסניראטFLT:1 – כל ענף מודבק במצב (למשל, "כן" או "לא", "לא" ו"=50,000" או "גאט"; 50,000) מזיז את העץ לאורך הדרך שמתאימה לתרחיש שלך.
3. (FLT:0)Examine פנימי nodestureFLT:1 - בכל צומת פנימי, לציין את מספר הדגימות ואת חלוקת היעד.זה עוזר לך להבין כמה נקודות נתונים עוקב אחר הדרך הזאת וכמה בטוח המודל הוא ברמה זו.
4. (ב) [ה] [ה] [ה]] [ה]] [ה]] [ה]] [ה]]] ב[ה] [ה] [ה]][ה]]]], [ה[[המאה ה-20],] ה[[המאה ה-20]], היא מציגה את הערך המספר המילולי של הדגימות.
5. (ה) [ה]האמין של עלה: [ה]: לבדוק את מידת הנחיתות או השגיאה.לבדוק גם את מספר הדגימות שעלה.

לדוגמה, לשקול עץ החיזוי לקוח הצ'וורן (השורש) עשוי לפצל על "סוג רגיל: שנה אחת לעומת חודש לחודש" לאחר ענף חודש לחודש, צמתים פנימיים עלולים להיתפצל על "מספר שיחות התמיכה" ו"Tenure" עלה שבו הקדנציה והטלטלטלטל; שישה חודשים ותמיכה; 3 עשויים לחזות "צ'ונר" עם דוגמאות וסיכויים מסוימים, כמו לקוחות קצרים, יכולים לראות מיד, כמו לקוחות יכולים לצפות במקרים רבים.

הבנה של ההסתברות וערכים צפויים

ההסתברות היא חלק מרכזי של פלט עץ הסיווג.כל על מציג את השבריר של דגימות הכשרה השייכות לכל מחלקה. עבור סיווג בינארי (למשל, לקנות / לא לקנות), עלה עשוי להראות "[0.92, 0.0][80]", כלומר 92% מדגימות האימון של עלה זה קנה את המוצר.הסתברות זו אינה רק מספר; היא מידה של ביטחון העץ.

בעצי רגרסיה, תפוקת עלון היא הערך של 1.0.10.10.10.10.10.10.12 – ממוצע של יעד משתנה של דגימות האימון.לדוגמה, אם עלה צופה הכנסות ממוצעות של 1,200 מ-50 לקוחות, אתה יכול לפרש כי ככל שהכנסות הצפויות עבור כל לקוח נופלות אל נתיב ההחלטה הזה.

מקבלי החלטות עסקיים לעתים קרובות משלבים את ההסתברות עם ניתוח עלות-תועלת.אם עלה צופה הסתברות גבוהה של תוצאה יקרה (למשל, כשל בציוד), החברה יכולה להשקיע בתחזוקה מונעת.

החלטות דרישות חתלתול וחלוקת חוקים

כל צומת פנימי בעץ החלטה מכיל כלל מתפצל.עבור תכונות מספריות, הכלל הוא סף (למשל, "הכנסה שנתית וגיל; 75,000 דולר") עבור תכונות קטגוריות, הוא תת-קבוצה של קטגוריות (למשל, "השתתפות ב-"מסמרס" (Department in {Screative Income > 75,000)"מכיוון ש-Intsssitalts אלה הוא קריטי להבנה כאשר המודל משתנה.

(FLT:0) פיצולים נאמריים (FLT:1) - סף נבחרים כדי למקסם את ההומוגניות אצל הילד צומת.לדוגמה, אם עץ מתחלק על "Age < 35" לעומת "Age >= 35", אתה לומד כי גיל 35 הוא נקודת מפנה מרכזית עבור המשתנה של היעד.

(FLT:0) פיצולים גלקטיים של LT:1; העץ עשוי לפצל על "התקנה בצפון, מזרחה" לעומת "התקנה בדרום, מערבה" הקצאת קטגוריות לענפים ממוטבת על ידי האלגוריתם. Interpreting זה אומר לך אילו קבוצות של קטגוריות מתנהגות באופן דומה.

כאשר בוחנים עץ, שימו לב לעומק ולמספר הפיצולים.עץ עמוק עם סף רבים יכול להיות קשה לפרש ולאפשר overfit. משתמשים עסקיים מעדיפים לעתים קרובות עצים רדודים (מעמיקים 3–5), משום שהם מניבים כללים כלליים יותר. כלים כמו Directus לאפשר לך להתאים את העומק המקסימלי או להגדיר מספר מינימלי של דגימות עלות, מה שהופך את הפלט מעשי יותר לקבלת החלטות.

הימנעות ממלכודות נפוצות: overfitting and Pruning

אחת הטעויות הגדולות ביותר בפרשת עץ ההחלטות היא אמון העץ על פני הערך מבלי לשקול האם זה overfed. Overfitting מתרחשת כאשר עץ מודל רעש או תנודות אקראיות בנתונים האימונים, וכתוצאה מכך פלט שנראה מושלם על נתונים היסטוריים אבל נכשל בתרחישים חדשים.

• עצים עמוקים מאוד עם הרבה סניפים
• להשאיר מעט מאוד דגימות (למשל, 1-2 דגימות)
• חוסר נחיתות נמוך או אפס שגיאות ב Leaveים
• דיוק גבוה על נתוני אימון אבל הרבה יותר נמוך בנתונים של אימות

(ה-FLT:0) אלגוריתמים של קיצוץ (Frunings) הוא הטכניקה של חיתוך ענפים האחוריים המציעים מעט כוח חיזויי. אלגוריתמי עץ רבים כוללים פרמטר כמו FLT:2 עלות-המורכבות של רצף 3 (alpha) אשר מאזן את גודל העץ נגד שגיאה.כאשר אתה מפריש עץ, אתה מחפש מודל פשוט יותר חזק יותר, או יותר, אם לא היה צורך בעץ, אם אתה מקבל יותר, או יותר, אם אתה לא יכול להיות בעל פחות גבוה יותר, אם אתה לא יכול להיות בעל 4 ריצוף, אם אתה תמיד, אם אתה מקבל יותר, אם אתה מקבל יותר, אם אתה לא היה צריך לעשות שימוש בדרגה גבוהה יותר, אם אתה אומר, אם אתה אומר יותר, אם אתה עושה שימוש בדרגה גבוהה יותר, אם אתה עושה שימוש בדגום, אם אתה לא היה רק עלות עץ, אם אתה עושה שימוש בתדירות גבוהה יותר, אם אתה עושה שימוש בתדירות גבוהה יותר, אם אתה עושה שימוש בדגום, אם אתה עושה שימוש בדגמילא יותר, אם אתה אומר יותר, אם אתה לא היה צריך לעשות שימוש ב- 4 קומות, אם אתה לא היה צריך להיות יותר, אם אתה לא היה רק יותר, אם אתה עושה שימוש

עוד נפילה היא להתעלם מגודל הדגימה עלה.גם אם עלה יש הסתברות גבוהה (למשל, 99%), אם הוא מכיל רק 10 דגימות, האמון הסטטיסטי נמוך. עבור החלטות עסקיות קריטיות, דורש מספר מינימלי של דגימות עלה - למשל, 50 או 100 - כדי להבטיח יציבות.ב Directus ופלטפורמות אחרות, אתה יכול להגדיר זאת כיפרמטר.

שימוש ב-Evolution Tree Output for Business Decisions: A Step-by-Step Access

כדי להפוך את הפלט עץ לפעולה מעשית, בצע תהליך מובנה זה:

1. (ה)העיקרון שלך:0) ,האובייקטיבי שלך (FLT:1) - האם אתה מנסה להגדיל את הרווח, להפחית את הקצוב, לאשר הלוואות או לייעל מלאי?המטרה שלך קובעת איזה תחזיות עלות משנה הכי הרבה.
2. (FLT:0) שיפור עלים בעלי ערך גבוה (FAVEFIRLT:1) - חפשו עלים שצופים תוצאות חיוביות (למשל, "הסתברות רכישה גבוהה") או תוצאות בלתי-מעורפות (למשל, "סיכון גבוה של חדלות-היתר ברירת מחדל") עדיפויות המשלבות הסתברות גבוהה עם מספר גדול של דגימות.
3. (FLT:0)Examine את נתיב ההחלטה של LT:1 - עבור כל עלה עתון גבוה, לעקוב אחר הנתיב מן השורש על עלה. לכתוב את השילוב של תנאים (למשל, "Age > 50 ו- 50 ו-Ggt; 100k ו-של בית = כן") תנאים אלה הופכים לחוקי העסק שלך.
4. (FLT:0)Validate עם מומחיות התחום 1FLT) - לדון בחוקים עם מומחים בנושא.האם הכללים הגיוניים עסקיים? אם עץ אומר "לקוחות עם פחות מ 2 שיחות תמיכה הם סיכון גבוה בצ'כיה", זה יכול להיות נוגד את האינטואיציה - כנראה חפץ של דליפת נתונים או overfitting.
5. (FLT:0) סיכון וחוסר ודאות של אי הוודאות (FLT:1), עבור כל עלה, לשקול את ההסתברות ואת ספירת הדגימה. עלה עם 95% הסתברות, אבל רק 20 דגימות הוא מסוכן יותר מאשר עלה עם 80% הסתברות מ 500 דגימות. השתמש ניתוח עלות-תועלת כדי להחליט כיצד לפעול באופן אגרסיבי על החיזוי.
6. (FLT:0) הפעלת הכללים של ההרחבה:1 - תרגם את נתיבי ההחלטות לתהליכים עסקיים.לדוגמה, ליצור פלח שיווקי עבור לקוחות העומדים בתנאי עלה רווחי גבוה, או להגדיר דגל סיכון עבור מועמדים להתאים עלה גבוה.
7. (FLT:0) ממורנר ועדכון 1 (FLT) – עצי ההחלטות הם מודלים סטטיים; סביבות עסקיות משתנות.לסדיר באופן קבוע את העץ עם נתונים חדשים ולהשוות את התפוקה.

גישה זו מבטיחה כי אתה לא רק קורא את העץ באופן פסיבי, אלא גם תמצית של ערך ממנו באופן פעיל.

דוגמה: Customer Churn Prevention

בואו נלך דרך דוגמא פשוטה כדי להמחיש את תהליך הפרשנות.

(FLT:0)Context:BuildFLT:1) חברת תוכנה מבוססת מנויים בונה עץ סיווג כדי לחזות האם הלקוח יתכנס בתוך הרבעון הבא.משתנה היעד הוא בינארי: "Churn" (1) או "Stay" (0) נתוני האימון כוללים תכונות כמו כהוות, מספר כרטיסים לתמיכה, סוג החוזה ותדירות השימוש.

פלט העץ (מנוהל, עומק מקס) מראה את הנתיב הבא:

• [01:0] יובל: [ה] [ה]] [ה]] [ה]] [ה]]] [ב]]] [ה'] [ה']]]'[ה']'[ב]']'[ה']'[32]
• [ה]ה' [ה]: [ה] [ה]] [ה'] [ב]] [ב]] [ב]]] [ה']'[ה]']'[ה']'[ה']'[ה']'[דרוש מקור]
• (ב) [ה]הבא [ה]: [ה] [ה]] [ה]] [ה]] [ה]]] [ה]]], [ה]]], [ה'], [ה'], [ה'], [ה']'[ה']'[ה']']'[ה']']'[ה']'[ה'[ה']']']'[ה']']'[ה'[ה']'[ה'[ה']'[ה'[ה'[ה']']']']'[ה'[ה'[ה'[ה']']']']'[ה']'[ה'[ה'[ה'[ה']']']']']'[ה'[ה']']'[ה'[ה']'[ה']']'[ה']']']'[ה'[ה'[ה'[ה']'[ה']']']'[ה'[ה'[ה'[ה'
• (ב) [ה]ה' [ה']: [ה'] [ה'] [ב]'[ה'], [ב]'[דרוש מקור], [ב], [ב]], [ב[[1724]]], ב[[1724]],]], ב[[1924]], [[1924]],]]

(FLT:0) Interpretation: FLT:1) עלה זה מזהה פרופיל לקוחות בסיכון גבוה: חוזה חודש לחודש לחודש, פחות משנה של הקדנציה, יותר משלוש כרטיסי תמיכה, ותדירות נמוכה של שימוש.

(FLT:0) החלטת עסקים: ⁇ FLT:1) החברה יכולה לעצב קמפיין שימור ממוקדת לקוחות אלה -אולי המציע חוזה שנתי מוזל, תמיכה פעילה, או מדריך מוצר כדי להגביר את השימוש. העץ גם אומר לך אילו פעולות פחות דחופות: לדוגמה, לקוחות חוזים שנתיים עם כרטיסי כהונה ונמוך (עלים אחרים לא הראו) עשויים להיות קרובים לאפס ולא דורשים התערבות.

דוגמה זו מראה כיצד קריאה של עץ מובילה ישירות לאסטרטגיות עסקיות ממוקדות.

מגבלות וטכניקות משלימה

אין מודל מושלם.עצים החלטות יש מגבלות ידועות שאתה חייב לקחת בחשבון בעת פרשנות הפלט שלהם:

• (FLT:0) אי-יציבותFLT:1 - שינוי קטן בנתונים האימונים יכול לייצר עץ שונה לחלוטין, המשפיע על החשיבות של תכונות וסףים. לקבלת החלטות עסקיות חזקות, לשקול שימוש בשיטות הרכב כמו יערות אקראיים או Gradient Boosting, אשר ממוצע עצים רבים.עם זאת, האנסמבלים הם קשה יותר לפרש; אתה עדיין יכול להשתמש עץ אחד כמו מפתח להבנת נהגים.
• (FLT:0Bias כלפי תכונות עם רמות רבות של ההרחבה:1) - תכונות קטגוריות עם ערכים ייחודיים רבים (למשל, קודים ZIP) יכולות לשלוט בפיצול.תמיד לבדוק אם העץ מתחלק בקטגוריות גרנריות כאלה - אם כן, העץ עשוי להיות מתאים לרעש ולא לדפוסים כלליים.
• (FLT:0) עצי החלטה אינם יכולים לחזות מעבר למגוון נתוני האימון.אם עלה אין דגימות לשילוב מסוים של תכונות, העץ אינו יכול לקבל תחזית אמינה. בעסקים, ייתכן שיהיה עליך ליפול חזרה על כללים של אגודל או מודלים חלופיים לתרחישים חדשים.
• (FLT:0 Interaction DetectionFLT:1) - עצים באופן אוטומטי ללכוד אינטראקציות, אבל עצים עמוקים יכולים ליצור אינטראקציות מורכבות להפליא.

(ל) להתגבר על המגבלות הללו, ארגונים רבים משלבים פרשנות עץ החלטות עם כלי ניתוח אחרים.לדוגמה, ניתן להשתמש בעץ כדי ליצור כללים עסקיים מועמדים, ולאחר מכן לבדוק את הכללים הללו באמצעות ניסויי A/B או ניתוח רגרסציה.

מסקנה

בין תפוקה עץ ההחלטה הוא מיומנות חיונית בקבלת החלטות עסקיות מונעות נתונים.על ידי הבנת נקודות, ענפים, עלים, פיצול כללים וערכים הסתברות, אתה יכול להוציא כללים ברורים, מעשיים המנחים אפשרויות אסטרטגיות.זכור תמיד לשקול את גודל הדגימה על, לצפות סימנים של התאמה יתר, ואמת את תובנות העץ עם ידע דומיין.

כדי לחדד את כישורי הפרשנות שלך, לחקור הדרכות מעשיות בכלים כמו ה-Sont-learning או פלטפורמת הנתונים Directus Data Platform, התומכת בבניית ודמיינו מחדש של עצי ההחלטות ישירות בתוך מערכת האקולוגית של הנתונים שלך.בנוסף, קרא על יישומים עסקיים של עצי החלטות ב- Harvard Business ReviewFLT:1 ו-FLT:2Directus DocumentFLT:3 כדי לשלב את הניתוחים לתוך העבודה שלך, על ידי נדרמת עצים, אתה מקבל החלטות עסקיות מהר יותר, כדי להניע את ההחלטות שלך.