1. 常见的决策树

决策树分析法是一种运用概率与图论中的树对决策中的不同方案进行比较，从而获得最优方案的风险型决策方法。图论中的树是连通且无回路的有向图，入度为0的点称为树根，出度为0的点称为树叶，树叶以外的点称为内点。决策树由树根（决策节点）、其他内点（方案节点、状态节点）、树叶（终点）、树枝（方案枝、概率枝）、概率值、损益值组成

2. 决策树是什么方法

决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。

最早的决策树算法是由Hunt等人于1966年提出，Hunt算法是许多决策树算法的基础，包括ID3、C4.5和CART等。

3. 常见的决策树算法包括

什么时候使用决策树有以下两种情况：

1、适合于标称型（在有限目标集中取值）属性较多的样本数据。

2、具有较广的适用性，当对模型不确定时可以使用决策树进行验证。

决策树的特点

①优点

简单易懂，容易解释，可视化，适用性广。

可用于分类、回归问题。

②缺点

容易过拟合。

数据中的小变化会影响结果，不稳定。

每一个节点的选择都是贪婪算法，不能保证全局最优解。

4. 常见决策树的剪枝方法有

修剪脚步已来到， 果树修剪正适时；

修剪农人手拿剪， 日复一日忙田间。

右手剪来左手锯， 锯枝剪梢抹伤口；

天气虽冷人心热， 树下树上不间断。

脚蹬布鞋戴手套， 头上扣着遮尘帽；

身穿旧衣不怕脏， 脸晒黑来手磨泡。

白天地里把树剪， 夜晚累的腰酸痛；

淡茶喝喝提提神， 早早歇歇把劲攒。

回想务果不容易， 辛酸苦辣留心间；

养家糊口出大力， 买车盖房娶媳妇。

施肥打药价格涨， 疏花套袋最费工；

心烦意乱迷方向， 思前想后继续干。

树密先要解光照， 大枝远看亮堂堂；

提杆落头树紧凑， 小枝布满闹嚷嚷。

春刻夏拉不间断， 寒冬腊月树好剪；

寒风呼呼加油干， 盼望来年好收成。

提高品质是关键， 好果才能把钱挣；

转变思想换观念， 新的一年再努力。

学好科技是关键， 节约成本有技能；

田间学习好老师， 观察生长记心间。

叉枝多了有花成， 成花多了再剪叉；

剪叉目的很明确， 减少花芽变大果。

树势偏弱果质差， 果个小来价又低；

幼旺树来先轻剪， 缓和树势才有花。

注意观察仔细看， 平行结果立长树；

水往低处流的缓， 树液往高生长快。

树靠根长根靠树， 枝叶衰弱孤根难；

大枝拉开骨干架， 结果多少在小枝。

小树结果靠枝量， 大树结果靠光照；

新树结的老枝果， 老树结的新枝果。

树龄老来枝龄小， 更新换代常循环；

徒长枝来是个宝， 老树更新离不开；

幼树徒长不结果， 旺树条多难结果。

小树枝多是个宝， 大树枝多结果少；

满树旺条不结果， 一树弱枝难结果。

饱芽出的好条子， 强花结的好果子；

满树花来半树果， 雪白一片落半树。

半树花来满树果。 花开半树果满树；

大年似花就是花 小年似花不是花。

一年枝条两年花， 三年能把果子挂；

一年枝条两年芽， 三年拔节四年花。

一个花芽七片叶， 一个果子五十叶；

果子胎里养的富， 饱花结的大果子。

果树矛盾要解决， 四季修剪常态化；

剪树容易决策难， 思路清晰树好剪。

果子压树树听话， 轻剪不是不动剪；

重剪不是要大砍， 对症下药再修剪。

去除大枝要拿稳， 小枝修剪要细致；

剪前先看枝和芽， 调整营养有办法。

劝君管园莫放松， 风调雨顺助增收。

5. 常用的决策树

1.《决策思维》

2.《模型与算法》

3.《机器学习》

4.《神经网络》

6. 决策树百度百科

决策树的优点

相对于其他数据挖掘算法，决策树在以下几个方面拥有优势：

• 决策树易于理解和实现. 人们在通过解释后都有能力去理解决策树所表达的意义。

• 对于决策树，数据的准备往往是简单或者是不必要的 . 其他的技术往往要求先把数据一般化，比如去掉多余的或者空白的属性。

• 能够同时处理数据型和常规型属性。其他的技术往往要求数据属性的单一。

• 在相对短的时间内能够对大型数据源做出可行且效果良好的结果。

• 对缺失值不敏感

• 可以处理不相关特征数据

• 效率高，决策树只需要一次构建，反复使用，每一次预测的最大计算次数不超过决策树的深度。

决策树的缺点

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。

5)在处理特征关联性比较强的数据时表现得不是太好

7. 决策树适用于什么决策

消费者决策最早是由俄州州立大学的Engel、Kollat及Blackwell三位教授发展出来的，就是指消费者谨慎地评价产品、品牌或服务的属性，并进行理性选择，想用最少的付出获得能满足某一特定需要的产品或服务的过程。

∑NPVi*Pi=（∑各年收益的现值-投资现值）*概率

=（∑各年收益的现值）*概率-投资现值

8. 常见的决策树模型

任何投资项目的经济价值都等于其未来现金流的现值，这一理论已经成为现代金融学的基础理论(Berkey and Meyers，2002)。但是，在私募股权投资的实践中，仅采用贴现现金流法会经常低估企业的价值(Hayes and Garvin,1982)，所以越来越多的研究者开始修订传统的定价方法，期权定价理论开始逐步应用于实物资产的投资评估。

Majd和Pindy(1987)就多阶段投资(如企业研发投入)且随时可能撤出的期权，提出了投资决策模式，探讨了可延迟但不可逆转的多阶段复合期权的定价方法。McGrath(1997)认为研发费用可以分为两个阶段———前期的研究费用和后期的发展费用，即商业化费用。只有在市场条件良好时，研究技术才进入发展阶段，所以投入研究的费用是购买未来可以商业化的期权。

在上述理论研究的基础上，项目的定价模式开始采用实物期权定价理论。Schwart和Moon(2000)认为企业价值评估模型多为二叉树模型，不能准确衡量公司的价值。为此，他们建立了连续时间的实物期权模型，并对网络公司的价值进行评估。Kellogg et alv.(2000)利用决策树模型和成长期权模型评估了生化科技公司的估价，也发现了早期使用的实物期权方法较为准确。国内学者张陆洋(2001)认为，风险投资的价值实现是以创业机制为基础的风险资本股份期权化过程，所以需要利用期权的方法来对投资项目进行定价。

9. 常见的决策树算法

一、决策树

二、随机森林算法

三、逻辑回归

四、SVM

五、朴素贝叶斯

六、K最近邻算法

七、K均值算法

八、Adaboost 算法

九、神经网络

十、马尔可夫

10. 常见的决策树有哪些,它们之间有何差异,优缺点如何

决策树(Decision Tree)是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。Entropy = 系统的凌乱程度，使用算法ID3, C4.5和C5.0生成树算法使用熵。这一度量是基于信息学理论中熵的概念。

决策树是一种树形结构，其中每个内部节点表示一个属性上的测试，每个分支代表一个测试输出，每个叶节点代表一种类别。

分类树(决策树)是一种十分常用的分类方法。他是一种监管学习，所谓监管学习就是给定一堆样本，每个样本都有一组属性和一个类别，这些类别是事先确定的，那么通过学习得到一个分类器，这个分类器能够对新出现的对象给出正确的分类。这样的机器学习就被称之为监督学习。