管理信息配学第6章.pptVIP

* * * * * * * * * * * * * * * * * * * * * * 所谓决策树是一个类似流程图的树结构，其中树的每个结点对应一个特征（属性）变量值的检验，每个分枝表示检验结果，树枝上的叶结点代表所关心的因变量的取值，最顶端的结点称为根结点。 从根结点到每个叶结点都有唯一的一条路径，这条路径就是一条决策“规则”。如果每个内结点都恰好有两个分枝，则称为二叉树。 决策树方法 心血管 手术 病情 A B A A B 心悸 心绞痛 心律不齐 是 危 否 急 * 决策树方法 图示决策树是一个信用卡公司用来决定是否向客户发出办卡的邀请，树中从根节点到每个叶子节点的路径，都可以转化成一条IF—THEN规则。 * 在管理中经常面对一些不确定信息。不确定性来自人类主观认识与客观实际之间存在的差异。事物发生的随机性、人类知识的不完全、不可靠、不精确和不一致以及自然语言中存在的模糊性和歧义性，都反映了这种差异，都会带来不确定性。 不确定性造成了具有相同描述信息的对象可能属于不同的概念。提高处理不确定性信息的有效性，对帮助决策具有重要意义。 6.5 不确定信息的处理方法 * 模糊集理论 2、模糊集理论 模糊信息本身是确定性的, 但其特征无法用精确数学工具描述和刻划(属性值确定，概念模糊)。模糊信息的特征用模糊集刻划，它给出了总体中的元素与所刻划的特征之间的隶属程度。(隶属函数) 1、概率论 任何一个模式 X 的出现具有随机性,用概率 P(X) 去决定X 发生的可能性大小,从而决定 X 的分类。 * 设ai表示属性“年龄”，当ai的值域是离散的且为{幼儿,儿童,少年,青年,中年,老年}时，某对象是否是中年由属性ai的值完全确定，此时只有当ai(xj)＝“中年”时，隶属度为1，其余为0；当ai的值域是连续区间(0, 120)时，若中年的概念是精确地定义在[40,50]年龄段，则隶属函数是分段函数： 若中年的概念是模糊的，如大约45左右，则隶属函数可能是某种正态分布。 模糊集理论 * 3、灰集理论 灰信息所刻划的对象是指部份信息已知,部份信息未知。灰信息处理的目标是把未知信息变为已知信息的过程,即信息白化。它用上下隶属度函数将灰集中的未知信息约束在两个模糊集之间。 4、未确知有理数 未确知理论是用来处理一类客观上是确定的但主观上无法获得的一类信息，如“某建筑物的重量是多少”。利用置信度模型分析未确知信息(x是确知成份a的置信度) 灰集理论与未确知有理数 * 5、集对理论 集对分析用联系度统一处理模糊、随机、信息不完全所导致的系统不确定性。其基本思想是系统中不只存在某个单纯的不确定性信息,而是多种不确定性都存在。 6、证据理论 证据是指我们的经验、知识以及对问题的观察和研究的结果，用基本可信度分配来描述。证据理论引入信度函数描述事物处于某种状态的可能性。它无需准确知道事物状态变化的概率。 集对理论与证据理论 * 7、粗糙集理论 模糊集理论处理的是因为概念的模糊而导致的对象分类模糊，粗糙集方法处理的是由于属性值模糊引起的对象分类模糊。 粗糙集理论反映了人们以不完全信息或知识去处理一些不可分辨现象的能力，或依据观察、度量到某些不精确的结果而进行分类数据的能力。 粗糙集理论的基本思想： (1)知识是主体对论域中的客体进行分类的能力，分类能力越强，主体所具备知识的可靠度越高； 粗糙集理论 * (2)分类能力受主体分辨能力的影响，因此分类具有近似性； (3)影响分类能力的因素(在信息系统中常描述为属性)很多，不同的因素重要程度不同，其中某些因素起决定性作用； (4)具有相同属性的实体，属性取值的不同对分类能力也产生影响； (5)属性之间存在某种依赖关系。 粗糙集方法能够解决的基本问题：(1)根据属性值表征对象集；(2)发现属性间的(完全或部分)依赖；(3)冗余属性(数据)的简化；(4)发现最重要的属性(核)；(5)生成决策规则。 粗糙集理论 贝叶斯网络（Bayesian networks）是以贝叶斯方法为基础的一种图形模式，它具有直观的问题表达能力和强大的推理能力，是描述不确定问题的优秀工具，近年来在专家系统、模式识别、决策支持系统等领域取得了成功的应用。 关于一组变量 的贝叶斯网络由两部分组成：（1）一个有向无环图S，图中的节点与U中的变量一一对应，图中的有向边表达了变量之间的统计相关性。（2）与每一个变量相联系的条件概率分布P。S 和P 定义了U的联合概率分布。 * 贝叶斯网络 * 贝叶斯网络 * * * * * * * * * * * * * * * * * * * * *