Главная страница
Навигация по странице:

  • Объектом

  • 1 Методы прогнозирования и их классификация

  • 2 Теоретические основы метода «дерево решений» как одного из методов прогнозирования 2.1Основные понятия и определения метода «дерево решений», его

  • 2.2 Типология «дерева решений»

  • Тип Дерева Прогнозирование Тип данных

  • 2.5 Технология графического построения « дерева решений»

  • 3 Построение «дерева решений» на примере

  • Список использованных источников

  • курсовая МПУР отред.. Введение Методы прогнозирования и их классификация


    Скачать 206.47 Kb.
    НазваниеВведение Методы прогнозирования и их классификация
    Дата31.03.2018
    Размер206.47 Kb.
    Формат файлаdocx
    Имя файлакурсовая МПУР отред..docx.docx
    ТипРеферат
    #39911

    Содержание


    Введение…………………………………………………………………………. 2

    1 Методы прогнозирования и их классификация…………………………….... 4

    2 Теоретические основы метода «дерево решений» как одного из

    методов прогнозирования…………………………………………………… 10

    2.1Основные понятия и определения метода «дерево решений», его

    сущность и необходимость применения……………………………………10

    2.2 Типология «дерева» решений…………………………………………. 13

    2.3 Структура и последовательность построения «дерева решений»………………………………………………………………………..14


    2.5 Технология графического построения «дерева решений»………..……26

    3 Построение «дерева решений» на примере……........................................30

    Заключение………………………………………………………..….…………35

    Список использованных источников…………………………………….……37





    Введение


    Нередко приходится принимать решения в условиях неопределенности, что называется "на свой страх и риск". Однако, если в повседневной жизни спонтанность допустима, то в бизнесе (под бизнесом имеется в виду любая организованная деятельность, нацеленная на результат) такое поведение будет считаться безответственным и, скорее всего, не приведёт нас к желаемой цели. 

    Последовательность бизнес-решения предполагает цепочку решений, следующих друг за другом, но выбор каждого конкретного решения из множества альтернатив зависит от исходов предыдущих.

    Существует широкий круг методик и методических подходов к прогнозированию. Выбор конкретного метода является одной из наиболее важных задач прогнозирования.

    Одним из наиболее удачных методов, позволяющим « проиграть» все возможные последовательные события и соотнести их с конкретными решениями, является метод « дерево решений».

    Метод « дерево решений» является графическим и позволяет визуализировать решение выявленной проблемы или поставленной задачи, опираясь на концепцию ожидаемого значения.

      Актуальность темы определяется тем, что метод «дерево решений» является одним из наиболее популярных методов решения задач классификации и прогнозирования. Его преимущества позволяют решать широкий спектр задач.

    На практике данный метод может быть использован при решении вопросов финансирования каких-либо объектов, управлении затратами компании, рисками, формировании производственной прораммы, оптимизации работы отдела продаж, а также при решении ряда других задач.

    Метод «дерево решений» позволяет наглядно видеть взаимосвязи различных процессов, находить логику их взаимодействия и взаимозависимости, обнаруживать недостающие звенья логических построений, т.е., прогнозировать и предугадывать явления и события, которые еще не произошли, но по логике произойти должны.

    На сегоднящний день существует значительное число алгоритмов реализующих « деревья решений» но наибольшее распространение и популярность получили CART и C4.5.

    Цель курсовой работы : ознакомится с понятием «дерева решений» и областью его применения, рассмотреть структурку и порядок построения, методы «деревьев решений», выяснить, в чём преимущество данного метода, а также применение метода на примере.

    Объектом исследования служит метод «дерево решений»  как один из методов прогнозирования.

    Предметом исследования являются теоретические и методологические аспекты применения метода «дерева решений». 

    Курсовая работа состоит из введения, трех разделов, заключения, списка использованных источников.

    Во введении обосновывается актуальность заявленной темы, формулируются цели, задачи, объект, предмет, характеризуются методы исследования.

    Первый раздел содержит теоретические основы сущности и содержания прогнозирования, методы прогнозирования и классификация.

    Во втором разделе представлены теоретические основы метода « дерево решений».

    В третьем разделе рассматривается применение метода « дерево решений» на примере.

    В заключении работы кратко сообщаются теоретические положения, приводятся выводы по результатам курсовой работы.
    1 Методы прогнозирования и их классификация

    Под методами прогнозирования понимается совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, внешних и внутренних связей объекта прогнозирования, вывести суждения, с определенной степенью достоверности, относительно будущего развития объекта [8, с. 28].
    Существует широкий круг методик и методических подходов к прогнозированию. Выбор конкретного метода является одной из наиболее важных задач прогнозирования.

    Для выбора наиболее подходящего метода прогнозирования на предпрогнозном этапе необходимо структурировать информацию об объекте прогнозирования, проанализировать ее (оценить полноту, непротиворечивость, сопоставимость и соизмеримость данных, точность и достоверность информации).

    В каждом конкретном случае прогнозирования возможны различные методы (способы, приемы), каждый из которых характеризуется не одним показателем, а набором показателей, изменяющихся при изменении формулировки задачи и условий ее решения.

    Условно все существующие методы прогнозирования можно разбить на две большие группы [3, с. 93]:

    – фактографические (формализованные), которые базируются на фактически имеющейся информации об объекте прогнозирования и его прошлом;

    – экспертные (интуитивные) методы используют мнения специалистов-экспертов и применяются тогда, когда невозможно формализовать изучаемые процессы или имеет место неопределенность развития хозяйственной системы.

    Обоснованность прогноза в значительной мере зависит от выбора метода прогнозирования.

    Особое место в классификации методов прогнозирования занимают комбинированные методы, которые объединяют различные методы прогнозирования. Использование комбинированных методов особенно актуально для сложных социально-экономических систем, когда при разработке прогноза показателей каждого элемента системы могут быть использованы различные сочетания методов прогнозирования. Разновидностью комбинированных методов можно считать эконометрическое моделирование.

    Для прогнозирования в практической деятельности применяются различные количественные и качественные методы:

    Количественные методы (приемы) базируются на информации,

    которую можно получить, зная тенденции изменения параметров или имея статистически достоверные зависимости, характеризующие производственную деятельность объекта управления. Примеры этих методов анализ временных рядов, каузальное (причинно-следственное) моделирование [9, с. 19].

    Качественные методы основаны на экспертных оценках специалистов в области принимаемых решений [10, с. 120]. Основные из них:

    • «деревья» решений – каждому событию предписывается субъективная степень вероятности используется метод статистики Байеса;

    • методы экспертных оценок.

    В таблице 1.1.1 приводится краткая характеристика методов прогнозирования, используемых чаще других [10, с. 123]

    Таблица 1.1.1 – Краткая характеристика методов прогнозирования

    Область применения

    Предназначение, решаемые задачи

    Особенности применения

    1

    2

    3

    Экспертные методы


    Экономическая конъюнктура. Решение проблем научно-технического прогресса. Развитие объектов большой сложности.


    Для объекта, развитие которого не поддается предметному описанию, математической формализации. В условиях отсутствия достоверной статистики относительно объекта управления. В условиях большой неопределенности. При отсутствии ЭВМ. В экстремальных ситуациях.

    По экспертным оценкам 7-9 специалистов. Выработка коллективного мнения группы экспертов. Требуется много времени для опроса и обработки данных.


    Метод эвристического прогнозирования

    Научно-технические объекты и проблемы, развитие которых плохо поддается формализации.


    Нахождение оптимальных способов создания проектируемых (модернизируемых) систем. Выявление объективизированного представления о перспективах развития узкой области.


    Математический аппарат неприменим. Специально обрабатываются прогнозные оценки объекта путем систематизированного опроса экспертов в узкой области науки, техники, производства. Информационный массив создается набором заполненных экспертами таблиц.

    Коллективная генерация идей


    Получение блока идей по прогнозированию и принятию решений.

    Определение всего возможного круга вариантов развития управляемого объекта. Определение альтернативного круга факторов, воздействующих на объект прогноза. Получение сценария развития объекта управления.

    Синтез объекта прогноза, мультифакторный анализ событий со стороны определяющих это событие факторов.

    Прогнозный граф и «дерево решений»


    Структурное прогнозирование: нахождение решения проблемы при сохранении функций, но с изменением структуры объекта.


    Прогнозирование развития объекта в целом.

    Формулирование сценария достижения прогнозируемой цели, уровня цели, критерия и весов,ранжированных вершин

    1

    2

    3

    Морфологический анализ


    При малом объеме информации об изучаемой проблеме для получения систематизирований по всем возможным ее решениям

     Прогнозирование возможного исхода фундаментальных исследований. При открытии новых рынков, формировании новых потребностей.


    Структурные взаимосвязи между объектами, явлениями и концепциями. Всеобщность предполагает использование полной совокупности знаний об объекте. Необходимое требование — полное отсутствие предварительных суждений. Содержит этапы: формулирование проблемы; анализ параметров; построение «морфологичееского ящика», содержащего все решения; изучение всех решений.

    Прогнозирование по аналогии


    Разрешение ситуаций, привычных для лиц, принимающих решения.


    Решение ситуационных управленческих задач.

    Использование метода при наличии аналогов объектов, процессов. Применение метода требует специальных навыков.


    Правильно подобранные средства прогнозирования значительно улучшают качество прогноза, поскольку:

    • обеспечивают функциональную полноту, достоверность и точность

    прогноза;

    • уменьшают временные и материальные затраты

    на прогнозирование.

    На практике, выбирая метод прогнозирования, рекомендуется учитывать два наиболее важных фактора — затраты и точность. Лучший прогноз, как правило, представляет собой оптимальную комбинацию точности и стоимости.

    В ряде случаев для получения независимых прогнозов используются одновременно несколько методов. Требования к прогнозам:

    • своевременность, с определенной степенью точности и определенности других показателей;

    • надежность, выраженная в знаковых единицах (долларах, единицах продукции, оборудовании, квалификации персонала и так далее) и зафиксированная на бумаге;

    • простота методики прогнозирования для использования [10, с. 129].

    Ни один из методов не является универсальным. Методы могут быть простыми и сложными.

    Выбор метода прогнозирования означает выбор методики, отвечающей поставленной задаче на приемлемом уровне затрат и точности.

    2 Теоретические основы метода «дерево решений» как одного из методов прогнозирования
    2.1Основные понятия и определения метода «дерево решений», его

    сущность и необходимость применения

    Как правильно выбрать необходимое решение из нескольких возможных вариантов? Для определения наиболее подходящего решения специалисты рекомендуют использовать метод «дерево решений». Он обеспечивает возможность получения развернутой модели вероятного развития ситуации или процесса для его изучения с позиций финансовых выгод и рисков, связанных с каждым направлением действий. Данное прогнозирование позволяет уберечь себя или свою организацию от неэффективных затрат или вложений в условиях ограниченных ресурсов. Особенностью данного метода принятия решения является принятие решений как на основе вычислений, так и с помощью логических рассуждений, когда анализируя факты, приходим к определенному выводу.
    Метод дерева решений может применяться как в ситуациях, в которых применяется платежная матрица, так и в более сложных ситуациях, в которых результаты одного решения влияют на последующие решения. То есть дерево решений – удобный метод для принятия последовательных решений [22, с. 206].

    Впервые деревья решений были предложены Ховилендом и Хантом (Hoveland, Hunt) в конце 50-х годов прошлого века. Самая ранняя и известная работа Ханта и др., в которой излагается суть деревьев решений - "Эксперименты в индукции" ("Experiments inInduction") - была опубликована в 1966 году.

    Наглаядность часто служит основным мотивом при выборе решения. В этой связи метод « дерева решений» имеет преимущества по сравнению с другими. Он позволяет визуально оценить результат действия различных решений и выбрать наилучший их набор. Данный метод использует модель разветвляющегося по каким-либо условиям процесса. Модель представляет графическое изображение связей основных и последующих вариантов решения. В ней приводятся сведения о наименованиях решений и ожидаемой эффективности. Это очень полезный метод, в случае тупикового варианта он позволяет отменить дальнейшую проработку всех решений, стоящих до него [22, с. 206].

    В экономической литературе можно встретить несколько разновидностей определения дерева решений:

    « Дерево решений» - это граф, представляющий правила в иерархической последовательностной структуре, где каждому объекту соответствует единственный узел, даюший решение [1, с. 4]. Деревья решений разбивают данные на группы на основе значений переменных, в результате чего возникает иерархия операторов "ЕСЛИ - ТО", которые классифицируют данные.

    Другое определение : «Дерево решений» – метод науки управления – схематичное представление проблемы принятия решений – используется для выбора наилучшего направления действий из имеющихся вариантов [8,с.56 ].

    « Дерево решений» - это графическое изображение последовательности решений и состояний среды с указанием соответствующих вероятностей и выиграшей для любых комбинаций альтернатив и состояний среды [19,с.120 ].

    Метод деревьев решений (англ. : decision trees) является одним из наиболее популярных методов решения задач классификации и прогнозирования.

    Деревья решений - это метод изучения статистической взаимосвязи между одной зависимой переменной и одной или несколькими независимыми переменными. Зависимую переменную часто называют целевой переменной, а независимые переменные – предикторами или входными переменными. Взаимосвязь между значением зависимой переменной и значениями независимых переменных, представлена в виде иерархической структуры – «дерева».

    Задача метода – не повлиять на появление исхода, а спрогнозировать и вычислить max вероятность его появления и спланировать следующие шаги. Кроме того, дерево принятия решений – пример четкой ориентации во времени и пространстве.

    Метод решает следующие задачи:

    • Сегментация – идентификация групповой принадлежности лиц;

    • Стратификация – разбиение наблюдений на несколько категорий, (например, на группы с высоким, средним и низким риском);

    • Прогноз/классификация – формулирование правил и использование их для предсказания/классификации будущих событий;

    • Сокращение данных и отбор переменных – отбор из большого числа переменных предикторов, полезных для построения формальной параметрической модели (с использованием стандартных статистических методов);

    • Идентификация взаимодействия – выявление взаимосвязей, которые относятся только к специфическим подгруппам, и впоследствии использование их в формальной параметрической модели;

    • Преобразование переменных – объединение категорий и дискретизация непрерывной переменной с минимальной потерей информации.

    На практике метод « дерево решений» может быть использован при решении вопрос финансирования каких-либо объектов, управлении затратами компании, рисками, формировании производственной программы, оптимизации работы продаж, а также при решении ряда других задач. При этом необходимо отметить возможность его использования не только при статистическом, но и при динамическом характере решения задачи.
    2.2 Типология «дерева решений»
    Любое «дерево решений» выводит прогнозируемое значение, полученное в результате оценки некоторых входных атрибутов. Деревья решений подразделяются на два разных типа:

    • деревья классификации;

    • деревья регрессии.

    Это различие не зависит от типов входных данных, поскольку деревья того и другого типов могут принимать либо непрерывные, либо символические значения.

    Дерево решений с непрерывными выходными значениями именуется деревом регрессии, а деревья классификации вместо этого выводят конкретные значения [2, с. 386].

    Итоговые сведения, определяющие различия между типами деревьв решений представлены в таблице 2.2.1 .

    Таблица 2.2.1 – Различие между двумя типами деревьев решений,

    определяемое тем, результат какого типа они возвращают


    Тип Дерева Прогнозирование Тип данных

    Дерево классификации Дискретное Символы

    Дерево регрессии Непрерывное Вещественные числа


    Если зависимая, т.е. целевая переменная принимает дискретные значения, при помощи метода дерева решений решается задача классификации.

    Если же зависимая переменная принимает непрерывные значения, то дерево решений устанавливает зависимость этой переменной от независимых переменных, т.е. решает задачу численного прогнозирования [2, с.386].

    • Цель деревьев регрессии – дать прогноз значений зависимой

    переменной по соответствующим значениям предикторов. Например, спрогнозировать вероятность отказа клиента от услуг банка в зависимости от пола и возраста клиента. Дерево регрессии строится для количественной зависимой переменной.

    • Цель деревьев классификации – дать классификацию значений

    зависимой переменной по соответствующим значениям предикторов. Например, классифицировать больных и здоровых пациентов в зависимости от их симптомов. Дерево классификации строится для категориальной зависимой переменной.

    2.3 Структура и последовательность построения «дерева» решений


    Дерево ‒ это иерархическая структура данных, состоящая из элементов (вершин, или узлов), которые связаны между собой отношениями типа «роди-тельская вершина – дочерняя вершина» [1, с. 4].

    Чаще всего дерево изображается в виде графа (рисунок 2.3.1), вершинами которого являются вершины дерева, а ребрами ‒ его ветви.

    На графе, изображающем дерево, все вершины одного уровня располагаются на одной горизонтали.


    А



    B

    D

    C



    G

    I

    H

    E

    F




    J



    Рисунок 2.3.1 – Пример дерева

    На самом верхнем уровне такой иерархии всегда имеется только один узел, называемый корнем дерева. У нас это узел A. Каждый узел, кроме корневого, связан только с одним узлом более высокого уровня, называемым узлом-предком. Например, для узлаD предком является узел A и т.д. При этом каждый элемент дерева может быть связан с помощью ветвей (ребер) с одним или несколькими узлами более низкого уровня. Они для данного узла являются дочерними узлами (узлами-потомками). Так, для узла A потомками будут BC и D. Элементы, расположенные в конце ветвей и не имеющие дочерних узлов, называют листьями. На рисунке выше листьями являются узлы EFCGJ и I.

    От корня до любого узла всегда существует только один путь. Максимальная длина пути от корня до листьев называется высотой дерева. У нас максимально длинный путь образует цепочка узлов ADH и J, т.е. высота дерева равна 3. В узлах происходит ветвление процесса ( англ.: branching), т.е деление его на так называемые ветви ( англ.: branches) в зависимости от сделанного выбора.

    Любой узел дерева с его потомками также образует дерево, называемое поддеревом (относительно исходного дерева). Например, можно рассматривать поддерево, начинающееся с узла D (это узлы DGHIJ).

    Число поддеревьев для данного узла образует степень узла. Для узлов A и D степень равна 3, степень узла B равна 2, узел H имеет степень 1, а у листьев (узлы EFCGJ и I) степень равна 0. Максимальное значение среди степеней всех узлов определяет степень дерева. Если максимальная степень узлов в каком-то дереве равна n, то его называют n-арным деревом. Наше дерево имеет степень 3 (из-за узлов A и D), и его можно называть триарным.

    Дерево степени 2 называется бинарным. Бинарные деревья наиболее просты с точки зрения сложности реализации алгоритмов работы с деревьями, поэтому именно бинарные деревья применяются там, где требуется динамическая структура типа дерево. Если формально требуется дерево степени большей, чем 2, например, 5-й степени, то, сформировав такое дерево, его можно преобразовать в бинарное, а далее работать как с бинарным деревом [1, с. 5].

    Последовательность построения «дерева» решений:

    1. Построение дерева происходит сверху вниз.

    Корневой узел представляет всю выборку наблюдений.

    Для количественной зависимой переменной корневой узел показывает:

    • Среднее значение зависимой переменной;

    • Стандартное отклонение зависимой переменной;

    • Общее количество и процент наблюдений.

    Для категориальной зависимой переменной корневой узел показывает:

    • Категории зависимой переменной;

    • Частота и процент для каждой категории;

    • Общее количество и процент наблюдений.

    2) Разбиение на узлы (подмножества) определяется правилами разбиения. В роли правил – значения независимых переменных (например : регион, доход).

    3) Правила со значениями независимых переменных отмечаются на ветвях дерева.

    4) Правила соответствуют определенным узлам, в которых записывается решение:

    • Для количественной зависимой переменной – спрогнозированное среднее значение;

    • Для категориальной зависимой переменной – количество и процент наблюдений, попадающих в спрогнозированные категории.

    5) Терминальный узел содержит наилучшее решение.

    Итак, дерево решений, подобно его «прототипу» из живой природы, состоит из «ветвей» и «листьев». Ветви (ребра графа) хранят в себе значения атрибутов, от которых зависит целевая функция; на листьях же записывается значение целевой функции; Каждый внутренний узел соответствует одной из входных переменных.

    Цель всего процесса построения дерева принятия решений – создать модель, по которой можно было бы классифицировать случаи и решать, какие значения может принимать целевая функция, имея на входе несколько переменных. Как пример, представим случай, когда необходимо принять решение о выдаче кредита (целевая функция может принимать значения «да» и «нет») на основе информации о клиенте (несколько переменных: возраст, семейное положение, уровень дохода и так далее). К примеру, переменная «возраст» с атрибутом «менее 21 одного года = да» сразу приведет от корневого узла дерева к его листу, причем целевая функция «выдача кредита» примет значение «нет». Если возраст составляет более 21 года, то ветвь приведет нас к очередному узлу, который, к примеру, «спросит» нас об уровне дохода клиента. Таким образом, классификация каждого нового случая происходит при движении вниз до листа, который и укажет нам значение целевой функции в каждом конкретном случае.
    2.5 Технология графического построения « дерева решений»
    В анализе решений « дерево решений» используется как визуальный и аналитический инструмент поддержки принятия решений, где расчитываются ожидаемые значения ( или ожидаемая полезность) конкурирующих альтернатив.

    В процессе построения используются такие условные обозначения, как:

    • квадратные узлы , обозначающие решения, которые могут быть

    приняты в этих конкретных условия;

    • круглые узлы, показывающие возможные исходы (варианты развития событий), не зависящие от лица, принимающего решение.

    Деревья решений строятся справа налево и лишены цикличных элементов (новая ветка решений может только расщепляться). Построение начинается с главной проблемы («ствола»), которая находится справа. Для построения альтернативных решений «стволовой» проблемы создаются «ветви».

      Ветви – это альтернативные решения, которые теоретически могут быть приняты в данной ситуации, а также возможные следствия принятия этих альтернативных решений. Ветви берут свое начало из одной точки (исходных данных), а «разрастаются» до получения конечного результата.

    Ветви бывают двух видов:

    Метод построения дерева решений предполагает установку «узлов».

     Узлы - это ключевые события, а линии, соединяющие узлы – это работы по реализации проекта.

    Поскольку, принимая решения, мы не можем влиять на появление исхода, нам нужно вычислить вероятность их появления.

    Помимо этого, на дереве решений необходимо отобразить всю информацию о времени работ, их стоимости, а также вероятности принятия каждого решения [19, с. 120].

    После того, как все решения и предполагаемые результаты будут указаны на дереве, проводится анализ и выбор наиболее выгодного пути.
    Т = 0 Период 1 t = 1 Период 2 t = 2

    R



    R

    z
    е


    z

    R/E
    z


    R/ E

    Z



    R/ E

    Е
    е

    R

    Z



    R
    е

    R
    z
    Рисунок 2.5.1 -  Формальная структура "дерева решений"
    На рисунке 2.5.1 представлена формальная структура «дерева решений», когда имеют место два или более последовательных множества решений, причем последующие решения основываются на результатах предыдущих, (т.е. появляется целая цепочка решений, вытекающих одно из другого, которые соответствуют событиям, происходящим с некоторой известной или заданной вероятностью):

    где Е – узел решения, т.е. узел, характеризующий момент принятия решения; е – линия, представляющая альтернативу решения ( возможные исходы); Z – узел события, т.е. узел, показывающий возможные исходы ( варианты развития событий; z – возможные решения; R –узел результата, т.е. узел, обозначающий результаты, связанные с определенными альтернативными решениями; R/E – узел, обозначающий наличие определенного результата и необходимость принятия.

    Последовательность построения « дерева решений» представлена на рисунке 2.5.2


    Д2

    Информационное поле

    Совокупность данных о решаемой проблеме

    ( задаче) ( Д)

    ….

    Д4

    Д3

    Д1




    Группировка данных по выделенному основанию

    1-й уровень решения




    Д1

    Д3

    …..

    Д4

    Д2


    И2

    И31 1

    И1111

    Уровень моделирования исходов

    ….



    И4 111111111



    Моделирование вариантов решений

    2-й уровень решения




    Деление происходит до тех пор, пока не будут отображены все возможные альтернативные решения и исходы


    Рисунок 2.5.2 – Последовательность построения « дерева решений»

    Укрупненно весь процесс использования метода « дерево решений» можно разбить на три этапа:

    1-й этап: графическое отображение структуры изучаемой проблемы посредством выявления возможных решений и исходов, то есть непосредственное построение самого « дерева»;

    2-й этап: нанесение исходных данных на « дерево решений»;

    Каждому исходу присваивается соответствующая вероятность Pk, причем:



    3-й этап: расчет критерия ( например, максимизация математического ожидания прибыли (формула 2).


    k=1

     

    где E – критерий (например, максимизация математического ожидания прибыли); Rk,k=12,..., n - прогнозируются возможные исходы ;в качестве Rk могут выступать различные показатели (например, доход, прибыль, приведенная стоимость ожидаемых поступлений) [16, с. 110].

     Обычно дерево решений – пример многослойной модели анализа: сначала выбирается оптимальное решение в первом слое вариантов, затем включается второй слой (события, которые могут стать результатом принятия выбранной модели первого слоя). Третий слой может исследовать вероятные последствия принятия всего комплекса решений. Очень важно, чтобы все слои содержали решения обозримой перспективы и определенного временного периода.

    Составляя дерево решений, необходимо осознавать, что число вариантов развития ситуации должно быть обозримым и иметь какое-то ограничение по времени. Кроме того, эффективность метода зависит от качества информации, положенной в схему.

    Важным плюсом является то, что дерево решений можно совмещать с экспертными методами на этапах, требующих оценки результата специалистами. Это увеличивает качество анализа дерева решений и способствует правильному выбору стратегии [21, с.206].

    3 Построение «дерева решений» на примере
    Предположим, что компания рассматривает вопрос о строительстве завода. Возможны три варианта действий:

    а). Построить большой завод стоимостью 500 тысяч у.е. При этом варианте возможны большой спрос (годовой доход в размере 200 тысяч у.е. в течение следующих 5 лет) с вероятностью p1 = 0,7 и низкий спрос (ежегодные убытки 90 тысяч у.е.) с вероятностью р2 = 0,3.

    б). Построить маленький завод стоимостью 300 тысяч у.е. При этом варианте возможны большой спрос (годовой доход в размере 100 тысяч у.е. в течение следующих 5 лет) с вероятностью p3 = 0,7 и низкий спрос (ежегодные убытки 40 тысяч у.е.) с вероятностью р4 = 0,3.

    в). Отложить строительство завода на один год для сбора дополнительной информации, которая может быть позитивной или негативной с вероятностью p5 = 0,4 и p6 = 0,6 соответственно. В случае позитивной информации можно построить заводы по указанным выше расценкам, а вероятности большого и низкого спроса меняются на p7 = 0,8 и р8 = 0,2 соответственно. Доходы на последующие четыре года остаются прежними. В случае негативной информации компания завод строить не будет.

    Нарисовав дерево решений, определим наиболее эффективную последовательность действий, основываясь на ожидаемых доходах.

    1-й этап. Отобразим схематично структуру изучаемой проблемы посредством выявления возможных решений и исходов, то есть непосредственное построим « дерево» решений (приложение 1).

    Строим узел 1, из которого исходят три заявленные в условии варианты. Обозначаем эти ветви пунктиром, поскольку это – возможные решения. На концах ветвей ставим узлы-исходы, заключаем их в круг и обозначаем буквами А, В и С. Рисуем из этих узлов-исходов ветви с возможными исходами при выборе того или иного варианта из условия.

    2-й этап. Нанесем исходные данных на « дерево решений».

    Под каждой ветвью подписываем вероятности соответствующих исходов. На концах каждой ветви, не закрытой новым узлом, выставляем доходы и убытки, умноженные (исходя из условия) на время (годы из условия). На ветвях (возможные решения) ставим стоимость строительства со знаком «-», так как это расходы компании. Убытки на концах «открытых» ветвей также пишем со знаком «-».

    3-й этап. Расчетаем ожидаемую стоимостную оценка наилучшего

    решения по (формуле 3).

    Далее считаем ожидаемые стоимостные оценки узлов:

    Е (А) = 0,8 х 1000 + 0,2 х (-450) -500 = 210.

    E ( B) = 0,8 х 500 + 0,2 х (-200) - 300 = 60.

    E ( D) = 0,9 x 800 + 0,1 x (-360) - 500 = 184.

    E (E) = 0,9 x 400 + 0,1 х (-160) - 300 = 44.

    E (C) = 0,7 x 184 + 0,3 x 0 = 128,8.

    Для узлов принятия решения 2 (второй уровень, условно) выбираем максимальную оценку:

    E (2) = max {E ( D), E ( E)} = max {184, 44} = 184 = EMV(D).

    Поэтому в узле 2 отбрасываем возможное решение «маленький завод».

    Для узла принятия решения 1 – узла принятия окончательного решения, аналогично выбираем максимальную оценку на других узлах.

    E (1) = max {Е (A), E (B), E (C)} = max {210; 60; 128,8} = 210 = E (А).

    Поэтому в узле 1 выбираем решение «большой завод». Строим большой завод. Исследование проводить не нужно.Ожидаемая стоимостная оценка этого наилучшего решения равна 210 тысяч у.е.

    Наиболее подходящее решение – решение строить большой завод.

    В рассмотренном примере мы произвели отсечение ветвей в узле 2. И далее в задаче мы отсекаем те ветви и узлы, стоимостные оценки которых не приемлемы для принятия наиболее выгодного решения.

    Заключение
    Под методами прогнозирования понимается совокупность приемов и способов мышления, позволяющих на основе анализа ретроспективных данных, внешних и внутренних связей объекта прогнозирования, вывести суждения, с определенной степенью достоверности, относительно будущего развития объекта.
    Условно все существующие методы прогнозирования можно разбить на две большие группы: фактографические (формализованные), которые базируются на фактически имеющейся информации об объекте прогнозирования и его прошлом и экспертные (интуитивные) методы используют мнения специалистов-экспертов и применяются тогда, когда невозможно формализовать изучаемые процессы или имеет место неопределенность развития хозяйственной системы.

    Обоснованность выбора метода прогнозирования определяется условиями его применения и соответствия решаемым задачам. Практическое применение того или иного метода прогнозирования определяется такими факторами, как объект прогноза, сложность и структура системы, наличие исходной информации, квалификация прогнозиста.

    Особое место в прогнозировании занимают качественные методы прогноза, одним из них является метод «дерево решений». Определить его кратко можно как иерархическое, гибкое средство предсказания принадлежности объектов к определенному классу или прогнозирования значений числовых переменных.

    Любое «дерево решений» выводит прогнозируемое значение, полученное в результате оценки некоторых входных атрибутов. Деревья решений подразделяются на два разных типа: деревья классификации и деревья регрессии.

    «Дерево решений» позволяет представить  проблему схематично т.е. наглядно видеть взаимосвязи различных процессов, находить логику их взаимодействия и взаимозависимости, обнаруживать недостающие звенья логических построений, т.е., прогнозировать и предугадывать явления и события, которые еще не произошли, но по логике произойти должны ( сравнить возможные  альтернативы визуально).

    «Дерево решений» может быть как одноуровневым, так и многоуровневы, что увеличивает его трудоемкость, которая может быть снижена посредством использования соответствующих программных продуктов. Эти программы отличаются кругом решаемых задач, используемыми методами, уровнем сервиса, предоставляемого пользователям. К ним относятся: ID3 CART, C4.5, CHAID и другие, но наибольшее распространение и популярность получили CART и C4.5.

    Метод «дерево решений» обладает следующими преимуществами: наглядность, возможность работы с большим числом независимых переменных т.е. автоматический поиск предикторов, зависимые и незавиcимые переменные могут быть количественными, порядковыми и номинальными, универсальность в плане решения задач и классификации, и регрессии и другими. К недостаткам метода деревьев решений можно отнести: отсутствие простого общего уравнения, выражающего модель, проблема переобучения, сложность контроля размера дерева, неадекватность разделения на классы в сложных случаях.

    Качество работы рассмотренного метода деревьев решений зависит как от выбора алгоритма, так и от набора исследуемых данных. Несмотря на все преимущества данного метода, следует помнить, что для того, чтобы построить качественную модель, необходимо понимать природу взаимосвязи между зависимыми и независимыми переменными и подготовить достаточный набор данных.

    На практике данный метод может быть использован при решении вопросов финансирования каких-либо объектов, управлении затратами компании, рисками, формировании производственной прораммы, оптимизации работы отдела продаж, а также при решении ряда других задач.

    Список использованных источников

    1 Абрамян М.Э., Бинарные деревья Задачи, решения, указания: Учебное пособие. - Ростов-на-Дону : ЮФУ, 2009 – 71 с.

    2 Алекс Дж. Шампандар., Искусственный интеллект в компьютерных играх: Издательство: Вильямс, 2007 – 768 с.

    3 Бобровников Г.Н., Клебанов А.И. Прогнозирование в управлении техническим уровнем и качеством продукции: Учеб. пособие. - М: Издательство стандартов. 2004. – 232 с.

    4 Богомолов Б.А. и др. Стратегический менеджмент и внутрифирменное планирование: Учебное пособие. – М.: Из-во МГАП «Мир книги», 2004.

    5 Борисевич В.И. Прогнозирование и планирование экономики: Учеб. пособие/ Борисевич В.И., Кандаурова Г.А. – М.: ИП» Экоперспектива», 2000. – 432 с.

    6 Вашко Т.А. Принятие управленческих решений: Учебное пособие / Т. А. Вашко; КГТЭИ. 2- е изд. переаб. И доп.. – Красноярск, 2002. - 317 с.

    7 Веснин В.Р. Менеджмент. Учебное пособие. – М.: ТК Велби, изд – во Проспект, 2004. – 176 с.

    8 Глущенко. В.В., Глущенко И. Н. Разработка управленческого решения. Прогнозирование - Планирование. - М.:  Издательство «Крылья», 2000 г. – 400 с.

    9 Злобина Н.В. Управленческие решения : учебное пособие Н.В. Злобина – Тамбов : Изд-во Тамб. гос. техн. ун-та, 2007 – 80 с.

    10 Колпаков В.М. Теория и практика управленческих решений : Учеб.

    пособ. 2-е изд., перераб. и доп. К : МЛУП, 2004 – 504 с.

    1. Кузьбожев Э.Н. Экономическое прогнозирование (методы и

    модели): Учеб. пособие. (Курск. гос. техн. ун-т Курска), 1997 – 84 с.

    1. Ковалев В.В. Финансовый менеджмент; теория и практика. ‒ 2-е

    изд., перераб. и доп. - М.: ТК Велби, Изд-во Проспект, 2007. - 1024 с.

    13 Коршунов Ю.М. Математические основы кибернетики. М.: Энергоатомиздат, 1987. С.496

    14 Левитин А.В., «Алгоритмы. Введение в разработку и анализ» Издательский дом . — М.: Вильямс,2006. - 576 с.

    15 Ларичев О.И., Мошкович Е.М. Качественные методы принятия решений. Вербальный анализ решений. М.: Наука. Физматлит, 1996. С.208

    16 Осиновская И.В., Ленкова О.В., Шалахметова А.В. Теория принятия стратегических решений : учеб. Пособие. Тюмень, 2011 – 224 с.

    17 Пленкина В.В., Андронова И.В., Осиновская И.В. Управленческие решения : учеб. Пособие. Тюмень, 2009 – 160 с.

    18 Просветов Г.И. Управленческий учет: Задачи и решения: Учебно-методическое пособие. – М.:Издательство РДЛ, 2006. – 272 с.

    19 Пирогова, Е. В. Управленческие решения : учебное пособие / Ульяновск : УлГТУ, 2010. – 176 с.

    20 Райзберг Б.А., Лозовский Л.Ш., Стародубцева Е.Б. Современный экономический словарь.-5-е изд., перераб. и доп.-М., 2006. НОРМА, с. 279

    21 Смирнов Э.А. Управленческие решения. – М. : ИНФРА, М, 2001 – 264 с.

    22 Шишкова Г. А.. Менеджмент (Управленческие решения): учебно-методический модуль / Министерство образования РФ. Российский государственный гуманитарный университет. Факультет управления; М.: Издательство Ипно-литова, 2002 г. - 352 с.

    написать администратору сайта