اهمیت درخت تصمیم و کارکرد الگوهای تصمیم گیری در مسائل مالی

توسعه تکنولوژی های کامپیوتری و تکنیکهای یادگیری اتوماتیک می تواند تصمیم گیری را آسان تر و بسیار کاراتر سازد. در دامنه یادگیری ماشینی جایی که همیشه کامپیوترها تصمیم می گیرند و یا برای گرفتن تصمیم درست پیشنهادهایی را ارائه می دهند، رویکردهای زیادی از تکنیکهای تصمیم گیری وجود دارند؛ از قبیل درختهای تصمیم، شبکه های عصبی مصنوعی و ... . درخت تصمیم شیوه ای برای ارائه پایگاه قانون و در واقع یک روش بازنمایی دانش میباشد. انعطاف پذیری و قابلیت فهم بودن، یکی از برتریهای روش درخت تصمیم است. درخت تصمیم بهتر از هر ابزار دیگری میتواند گزینه های ممکن، اهداف، سود مالی و اطلاعات مورد نیاز برای یک سرمایه گذاری را به مدیریت نشان دهد. درخت تصمیم یکی از پرکاربردترین الگوریتمها در بین الگوریتم های داده کاوی است. درخت تصمیم دقیقا مانند یک درخت است با این تفاوت که از ریشه به سمت پایین )برگ( رشد کرده است . درخت تصمیم در مسائلی کاربرد دارد که بتوان آنها را به صورتی مطرح نمود که پاسخ واحدی به صورت نام یک دسته یا کلاس ارائه دهند. به عنوان مثال فرض کنید مدیر یک پایگاه بخواهد طبقه بندی انجام دهد که بر اساس آن تشخیص دهد که آیا فرد فرار مالیاتی داشته است یا خیر؟ هدف اصلی این مقاله معرفی روشهای مختلف برای ایجاد بهترین درخت تصمیم است. الگوریتم های زیادی برای ساخت درخت تصمیم وجود دارند که دوتا از پرکاربرد ترین آنها CART و C4.5 میباشند. در این مقاله ضمن معرفی این دو روش به تبیین بهترین الگوریتم در پیشبینی با یک مثال مالی پرداخته شده است و دو روش با یکدیگر مقایسه شده است. این دو الگو در ابتدا درختی تقریبا پر ایجا د میکنند ولی استراتژی هرس کامال متفاوتی دارند و روش C4.5 دارای خطای کمتری است.

Keywords:

داده کاوی , درخت تصمیم , آنتروپی , ریسک اعتباری , معیار نیکویی