Введение
2.2.1. Качественный анализ рисков
2.2.2. Количественный анализ рисков
2.2.3. Дерево решений. Анализ рисков на основе дерева решений
2.2.4. Использование теории игр для оценки рисков. Методы теории игр
2.2.5. Выбор управленческого решения в ситуациях неопределенности и риска на основе критериев Вальда, Сэвиджа, Гурвица. Преимущества и недостатки методов
2.2.7. Выбор управленческого решения в ситуациях неопределенности и риска на основе критериев максимакса, максимального математического ожидания Преимущества и недостатки методов
2.2.8. Дерево решений в инвестиционном анализе и правила оценки эффекта для него
Список литературы
Дерево решений – метод автоматического анализа больших массивов данных. В этой статье рассмотрим общие принципы работы и области применения.
Дерево решений – эффективный инструмент интеллектуального анализа данных и предсказательной аналитики. Он помогает в решении задач по классификации и регрессии.
Дерево решений представляет собой иерархическую древовидную структуру, состоящую из правила вида «Если …, то ...». За счет обучающего множества правила генерируются автоматически в процессе обучения.
В отличие от нейронных сетей, деревья как аналитические модели проще, потому что правила генерируются на естественном языке: например, «Если реклама привела 1000 клиентов, то она настроена хорошо».
Правила генерируются за счет обобщения множества отдельных наблюдений (обучающих примеров), описывающих предметную область. Поэтому их называют индуктивными правилами, а сам процесс обучения — индукцией деревьев решений.
В обучающем множестве для примеров должно быть задано целевое значение, так как деревья решений — модели, создаваемые на основе обучения с учителем. По типу переменной выделяют два типа деревьев:
- дерево классификации — когда целевая переменная дискретная;
- дерево регрессии — когда целевая переменная непрерывная.
Развитие инструмента началось в 1950-х годах. Тогда были предложены основные идеи в области исследований моделирования человеческого поведения с помощью компьютерных систем.
Дальнейшее развитие деревьев решений как самообучающихся моделей для анализа данных связано с Джоном Р. Куинленом (автором алгоритма ID3 и последующих модификаций С4.5 и С5.0) и Лео Брейманом, предложившим алгоритм CART и метод случайного леса.
- Ерохина Л.И. Методы отыскания оптимальных экономических решений: учеб. для вузов по специальностям «Сервис» и «Экономика и упр. на предприятии сферы обслуживания». – Тольятти: ТГАС, 2015. – 100 с.
- Дюбин Г.Н., Суздаль В.Г. Введение в прикладную теорию игр. – М.: Наука, 2019. – 300с.
- Насакина Л.А. Методы сбора и анализа экономической информации в обосновании стратегических управленческих решений / Л.А. Насакина // Вестник Поволжского государственного университета сервиса. – 2018. – №24. – С. 130–136.
- Насакина Л.А. Методы оценки производственных рисков и механизмы их снижения в деятельности экономических субъектов / Л.А. Насакина, Е.В. Медведева // Scientific Discoveries: Proceedings of articles II International Scientific Conference: Сборник. – 2017. – С. 191–209.
- Кормен Т.Х., Лейзерсон Ч.И., Ривест Р.Л., Штайн К. Алгоритмы: Построение и анализ. – СПб.: Питер, 2020. – 893 с.
- Модернизация экономики на основе технологических инноваций / А.Н. Асаул, Б.М. Карпов, В.Б. Перевязкин, М.К. Старовойтов. – СПб.: АНО ИПЭВ, 2018. – 415 с.
- Петросян Л.А. и др. Теория игр: Учебное пособие.- M.: Книжный дом «Университет», 2018. – 256с.
- Савицкая Г.В. Анализ эффективности и рисков предпринимательской деятельности: методологические аспекты / Г. В. Савицкая. – М.: Инфра-М, 2020. – 271 с.
- Таха Х. Введение в исследование операций. В двух книгах. Пер. с англ. - М.: Мир 2016. – 187с.
