模型 决策树

本系列文章 主要是 分享 模型，涉及各个领域，重在提升认知。理性决策。

---

1 模型故事

1.1 相亲决策树

这一个姑娘的妈妈为自己女儿的终身大事担心，今天又给介绍对象了，以下是妈妈和自己女儿的对话：

• 姑娘随口一问：多大了？
• 妈妈说：26。
• 姑娘问：长得帅不帅？
• 妈妈说：挺帅的
• 姑娘问：收入高不高？
• 妈妈说：不算很高，中等情况。
• 姑娘问：是很上进，热爱学习吗？
• 妈妈说：是。
• 姑娘说：那好的，我去见见。

接下来我们仔细分析一下这个过程。当姑娘问：“多大了？”的时候，其实就开始启动了“相亲决策树”的第一个决策节点。这个决策节点，有两条分支：

1. 大于30岁？哦，是大叔，那就不见了；
2. 三十岁以下？哦，年龄还可以。然后，你才会接着问“长得帅不帅？”这又是一个决策节点，不帅到丑之间的级别，就不见了。如果至少中等，那就再往下，走到第三个决策节点“收入高不高？”穷？那也不能忍。然后是第四个决策节点“是 热外学习否”。是？太好了，小伙子很上进，那就见吧。

姑娘 通过四个决策节点“年龄、长相、收入、上进”，排除了“老、丑、穷还不上进的人”，选出“30岁以下，收入中等，但是很上进，有上进心的帅小伙”。这个过程就是使用了 一个模型：决策树。

1.2 Offer的抉择

小A近期开始了自己的求职之路。再经历了2个星期左右的面试，非常幸运的拿到了3个offer，但3个offer给出的薪水略有差异，同时 发展方向也不尽相同，于是决定用“决策树”的方式来进行选择：

小A主要从薪水、加班情况、个人成长、公司行业优势 四个维度进行决策，就是对A B C 三家公司分别从 这四个维度进行 量化，将上图的得分进行计算，结果如下：

计算最终得分，将4个维度的分值加起来：

• A公司：0.2275+0.075+0.09+0.45=0.8425
• B公司：0.26+0.09+0.12+0.4=0.87
• C公司：0.22+0.05+0.135+0.35=0.755

最终，小A选择了B公司。

1.3 公司重大决策

南方医院供应公司是一家制造医护人员的工装大褂的公司。该公司正在考虑扩大生产能力。它可以有以下几个选择：1、什么也不做；2、建一个小厂；3、建一个中型厂；4、建一个大厂。新增加的设备将生产一种新型的大褂，目前该产品的潜力或市场还是未知数。如果建一个大厂且市场较好就可实现$100，000的利润。如果市场不好则会导致$90，000的损失。但是，如果市场较好，建中型厂将会获得$ 60,000，小型厂将会获得$40，000，市场不好则建中型厂将会损失$10,000，小型厂将会损失$5，000。当然，还有一个选择就是什么也不干。最近的市场研究表明市场好的概率是0.4，也就是说市场不好的概率是0.6。如下图所示：

在这些数据的基础上，能产生最大的预期货币价值（EMV）的选择就可找到。如下所示：

• EMV（建大厂）=（0.4）*($100,000)+(0.6)*(-$90,000)=-$14,000
• EMV（中型厂）=（0.4）*($ 600,000))+(0.6)* (-$10,000)=+$18,000
• EMV（建小厂）=（0.4）*($40,000)+(0.6)*(-$5,000)=+$13,000
• EMV（不建厂）=$0

根据EMV标准，最终 南方公司应该建一个中型厂。

当然了，对于决策树本身而言，它是帮助我们缕清了自己的思路，根据我们自己的需求选择我们想要的答案，让我们不再纠结。同时 决策树本身是有严谨的定义的，上面两个生活中的故事 主要是运用了 决策树的思想，企业的实际应用 这个应用相对标准很多。最后请注意，决策树只是整理了你的想法，而不是给出 所谓的正确答案。因为所有的量化标准是由我们自己来设定的，如果我们的认知和真实情况有较大偏差，那么决策树是无法给出正确答案的，总之，决策树的核心是整理你的想法，让想法从模糊到清晰，而不是给出“所谓的正确答案”。

2 模型 决策树

2.1 决策树的历史起源

决策树本身是一类算法，最初的ID3算法是由Ross Quinlan发明的用于生成决策树的算法，此算法建立在奥卡姆剃刀上。奥卡姆剃刀又称为奥坎的剃刀，意为简约之法则，也就是假设越少越好，或者“用较少的东西，同样可以做好的事情”，即越是小型的决策树越优于大的决策树。当然ID3它的目的并不是为了生成越小的决策树，这只是这个算法的一个哲学基础。

2.2 决策树定义

决策树(decision tree)是由一个决策图和可能的结果（包括资源成本和风险组成），用来创建到达目的的规划。一般都是自上而下的来生成的。每个决策或事件（即自然状态）都可能引出两个或多个事件，导致不同的结果，把这种决策分支画成图形很像一棵树的枝干，故称决策树。 决策树就是将决策过程各个阶段之间的结构绘制成一张箭线图，我们可以用下图来表示。如下所示：

简单来说，就是 如何多维度的认知和做出选择。

2.3 决策树 四要素

决策树的构成有四个要素：决策结点、方案枝、状态结点、概率枝，如下图所示：

总之，决策树一般由方块结点、圆形结点、方案枝、概率枝等组成，方块结点称为决策结点，由结点引出若干条细支，每条细支代表一个方案，称为方案枝；圆形结点称为状态结点，由状态结点引出若干条细支，表示不同的自然状态，称为概率枝。每条概率枝代表一种自然状态。在每条细枝上标明客观状态的内容和其出现概率。在概率枝的最末稍标明该方案在该自然状态下所达到的结果(收益值或损失值)。这样树形图由左向右，由简到繁展开，组成一个树状网络图。

2.4 应用决策树决策方法必须具备以下5个条件：

1. 具有决策者期望达到的明确目标；
2. 存在决策者可以选择的两个以上的可行备选方案；
3. 存在着决策者无法控制的两种以上的自然状态(如气候变化、市场行情、经济发展动向等)；
4. 不同行动方案在不同自然状态下的收益值或损失值(简称损益值)可以计算出来；
5. 决策者能估计出不同的自然状态发生概率；

2.5 绘制决策树决策模型图 步骤

1. 绘制树状图：根据已知条件排列出各方案的各种状态；
2. 标示损益值：将各状态概率及损益值标于概率枝上；
3. 计算期望值：计算各方案期望值并标于对应的状态结点上；
4. 剪枝做决策：进行剪枝，比较各方案期望值，并标于方案枝上，将期望值小的(即劣等方案剪掉)所剩最后方案即为最佳方案。

绘制后，决策树图 效果 如下所示：

3 模型简图