一：决策树法分为那几个步骤
（1）绘制决策树图。从左到右的顺序画决策树，此过程本身就是对决策问题的再分析过程 （2）按从右到左的顺序计算各方案的期望值，并将结果写在相应方案节点上方。 （3）对比各方案的期望值的大小，进行剪枝优选。在舍去备选方案枝上用“=”隔断
二：决策树法的步骤
（1）绘制决策树图。从左到右的顺序画决策树，此过程本身就是对决策问题的再分析过程。（2）按从右到左的顺序计算各方案的期望 值，并将结果写在相应方案节点上方。期望值的计算是从右到左沿着决策树的反方向进行计算的。（3）对比各方案的期望值的大小，进行剪枝优选。在舍去备选方案枝上，用“=”记号隔断。
三：决策分析的步骤
决策分析一般分四个步骤：(1)形成决策问题，包括提出方案和确定目标；(2)判断自然状态及其概率；(3)拟定多个可行方案；(4)评价方案并做出选择。常用的决策分析技术有：确定型情况下的决策分析，风险型情况下的决策分析，不确定型情况下的决策分析。 （1）确定型情况下的决策分析。确定型决策问题的主要特征有4方面：一是只有一个状态，二是有决策者希望达到的一个明确的目标，三是存在着可供决策者选择的两个或两个以上的方案，四是不同方案在该状态下的收益值是清楚的。确定型决策分析技术包括用微分法求极大值和用数学规划等。 （2）风险型情况下的决策分析。这类决策问题与确定型决策只在第一点特征上有所区别：风险型情况下，未来可能状态不只一种，究竟出现哪种状态，不能事先肯定，只知道各种状态出现的可能性大小（如概率、频率、比例或权等）。常用的风险型决策分析技术有期望值法和决策树法。期望值法是根据各可行方案在各自然状态下收益值的概率平均值有大小，决定各方案的取舍。决策树法有利于决策人员使决策问题形象化，可把各种可以更换的方案、可能出现的状态、可能性大小及产生的后果等，简单地绘制在一张图上，以便计算、研究与分析，同时还可以随时补充和修正。 （3）不确定型情况下的决策分析。如果不只有一个状态，各状态出现的可能性的大小又不确知，便称为不确定型决策。常用的决策分析方法有：a.乐观准则。比较乐观的决策者愿意争取一切机会获得最好结果。决策步骤是从每个方案中选一个最大收益值，再从这些最大收益值中选一个最大值，该最大值对应的方案便是入选方案。b.悲观准则。比较悲观的决策者总是小心谨慎，从最坏结果着想。决策步骤是先从各方案中选一个最小收益值，再从这些最小收曾值中选出一个最大收益值，其对应方案便是最优方案。这是在各种最不利的情况下又从中找出一个最有利的方案。c.等可能性准则。决策者对于状态信息毫无所知，所以对它们一视同仁即认为它们出现的可能性大小相等。于是这样就可按风险型情况下的方法进行决策。
四：决策树分析法的决策树对于常规统计方法的优缺点
优点：1) 可以生成可以理解的规则；2) 计算量相对来说不是很大；3) 可以处理连续和种类字段；4) 决策树可以清晰的显示哪些字段比较重要。缺点：1) 对连续性的字段比较难预测；2) 对有时间顺序的数据，需要很多预处理的工作；3) 当类别太多时，错误可能就会增加的比较快；4) 一般的算法分类的时候，只是根据一个字段来分类。
五：决策树分类方法怎么用
你的样本量多半太少了，做决策树至少要1000个样品，上万都是正常的事情
并不是所有的数据都适合决策树分析的，数据没有问题，而是你对方法的选择有问题
六：用决策树的方法对案例进行决策。
决策树在文本模式不好画，凑合着看吧！
决策点——新建工厂——@——销路好0.7—— +100-300/10=+70
——销路差0.3—— -20-300/10 =-50
——新建小厂——@——销路好0.7—— +140-140/10=+126
——销路差0.3—— +30-140/10 =+16
新建工厂 期望值=0.7*70-50*0.3=34
新建小厂 期望值=0弗7*126+0.3*16=93
所以应新建小厂。
七：如何画决策树
基本定义
决策树算法是一种逼近离散函数值的方法。
编辑本段算法优点
决策树算法的优点如下： （1）分类精度高； （2）成的模式简单； （3）对噪声数据有很好的健壮性。 因而是目前应用最为广泛的归纳推理算法之一，在数据挖掘中受到研究者的广泛关注。
编辑本段基本原理
决策树方法最早产生于上世纪60年代，到70年代末。由J Ross Quinlan提出了ID3算法，此算法的目的在于减少树的深度。但是忽略了叶子数目的研究。C4.5算法在ID3算法的基础上进行了改进，对于预测变量的缺值处理、剪枝技术、派生规则等方面作了较大改进，既适合于分类问题，又适合于回归问题。
编辑本段构造方法
决策树构造的输入是一组带有类别标记的例子，构造的结果是一棵二叉树或多叉树。二叉树的内部节点(非叶子节点)一般表示为一个逻辑判断，如形式为a＝aj的逻辑判断，其中a是属性，aj是该属性的所有取值：树的边是逻辑判断的分支结果。多叉树(ID3)的内部结点是属性，边是该属性畅所有取值，有几个属性值就有几条边。树的叶子节点都是类别标记。 由于数据表示不当、有噪声或者由于决策树生成时产生重复的子树等原因，都会造成产生的决策树过大。因此，简化决策树是一个不可缺少的环节。寻找一棵最优决策树，主要应解决以下3个最优化问题：①生成最少数目的叶子节点；②生成的每个叶子节点的深度最小；③生成的决策树叶子节点最少且每个叶子节点的深度最小。
八：决策分析的程序的五个步骤是什么？ 30分
决策过程中的基本步骤：
（1）提出决策目标；
（2）确定方案标准；
（3）制定若干备选方案；
（4）预测风险；
（5）决策。
九：决策分析的方法有哪些？如何运用？
决策分析常用方法
对于不同的情况有不同的决策方法。
①确定性情况：每一个方案引起一个、而且只有一个结局。当方案个数较少时可以用穷举法，当方案个数较多时可以用一般最优化方法。
②随机性情况：也称风险性情况，即由一个方案可能引起几个结局中的一个，但各种结局以一定的概率发生。通常在能用某种估算概率的方法时，就可使用随机性决策，例如决策树的方法。
③不确定性情况:一个方案可能引起几个结局中的某一个结局,但各种结局的发生概率未知。这时可使用不确定型决策，例如拉普拉斯准则、乐观准则、悲观准则、遗憾准则等来取舍方案。
④多目标情况：由一个方案同时引起多个结局，它们分别属于不同属性或所追求的不同目标。这时一般采用多目标决策方法。例如化多为少的方法、分层序列法、直接找所有非劣解的方法等。
⑤多人决策情况：在同一个方案内有多个决策者，他们的利益不同，对方案结局的评价也不同。这时采用对策论、冲突分析、群决策等方法。
除上述各种方法外，还有对结局评价等有模糊性时采用的模糊决策方法和决策分析阶段序贯进行时所采用的序贯决策方法等。
不同决策分析的区别
风险型情况下的决策分析。这类决策问题与确定型决策只在第一点特征上有所区别：
风险型情况下，未来可能状态不只一种，究竟出现哪种状态，不能事先肯定，只知道各种状态出现的可能性大小(如概率、频率、比例或权等)。常用的风险型决策分析技术有期望值法和决策树法。
期望值法是根据各可行方案在各自然状态下收益值的概率平均值的大小，决定各方案的取舍。
决策树法有利于决策人员使决策问题形象比，可把各种可以更换的方案、可能出现的状态、可能性大小及产生的后果等，简单地绘制在一张图上，以便计算、研究与分析，同时还可以随时补充和不确定型情况下的决策分析。
如果不只有一个状态，各状态出现的可能性的大小又不确知，便称为不确定型决策。常用的决策分析方法有：
a．乐观准则。比较乐观的决策者愿意争取一切机会获得最好结果。决策步骤是从每个方案中选一个最大收益值，再从这些最大收益值中选一个最大值，该最大值对应的方案便是入选方案。
b.悲观准则。比较悲观的决策者总是小心谨慎，从最坏结果着想。决策步骤是先从各方案中选一个最小收益值，再从这些最小收益值中选出一个最大收益值，其对应方案便是最优方案。这是在各种最不利的情况下又从中找出一个最有利的方案，
c.等可能性准则。决策者对于状态信息毫无所知，所以对它们一视同仁，即认为它们出现的可能性大小相等。于是这样就可按风险型情况下的方法进行决策。
十：决策树的优缺点是什么啊
百度可知
参考资料：baike.baidu.com/...wtp=tt
扫一扫手机访问
