Выводы.

Метод деревьев решений можно кратко определить как иерархическое, гибкое средство предсказания принадлежности объектов к определенному классу или прогнозирования значений числовых переменных.

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.

Задание для самостоятельной работы

Задание 1. Рассмотрим задачу определения того, является ли ядовитым найденный гриб. Действие нашего «определителя грибов», как и других инструментов предсказания с помощью Data Mining, будет состоять из двух процессов: обучение модели (которое выполняется однократно и требует относительно много времени) и принятие решения о том, относится ли конкретный гриб к категории съедобных (что происходит неоднократно).

В качестве исходных данных для обучения модели мы воспользуемся набором данных о более чем 8 тыс. грибов, доступных в виде файла в формате CSV по адресу http://www.ics.uci.edu/~mlearn/MLRepository.html, который содержит таблицу, где имеется колонка Edibility с двумя возможными значениями (Еdible – съедобный и poisonous ядовитый). Для упрощения работы с этим набором данных переведем его на русский язык и импортируем в какую-нибудь СУБД, например в Access или в Microsoft SQL Server. Создадим в этой таблице автоматически заполняемое целочисленное ключевое поле оно потребуется при создании модели Data Mining на основе этих данных.

Теперь можно приступить к созданию самого дерева решений используя соответствующий инструментарий, например, системы STATIATICA.

Задание 2. Сформулировать собственную задачу, построить дерево решений и сделать выводы по полученным результатам.

Контрольные вопросы

1. В чем отличие задач классификации и прогнозирования методом деревьев решений.

2. Дайте определение критерия расщепления.

3. Преречислите преимущества метода деревьев решений.

4. Каковы правила остановки ветвления дерева решений.

Заключение

Уровень развития науки и техники, достигнутый к настоящему времени, позволяет задумывать и осуществлять процессы, в которые оказываются вовлеченными значительные ресурсы, и материальные, и людские. Это открывает невиданные ранее возможности, но и усложняет управление этими процессами. Использование математического аппарата для изучения зависимостей и прогнозирования поведения в будущем становится актуальным при принятии управленческих решений.

В учебном пособии представлены математические методы, используемые при формировании информационного обеспечения управления. Рассмотрены экспертные методы прогнозирования для решения трудноформализуемых задач, оптимизационные методы (линейного и динамического программирования), балансовые модели для определения объема выпуска, временные ряды и эконометрические модели для изучения зависимостей, модели управления запасами и имитационное моделирование.

Приводятся методики и примеры решения поставленных задач, даются задания для самостоятельной работы. Это позволяет получить практические навыки в построении моделей. Решение задач рассмотрено с использованием современных программных средств – пакетов Excel MS Office и STATISTICA.

Данная работа – это продолжение изданного ранее учебного пособия авторами по курсу «Информационное обеспечение стратегического менеджмента» [24]. Она не охватывает всего множества математических методов, так как является лишь частью математической подготовки специалистов. Данное пособие может быть полезно студентам экономических и информационных специальностей.