【江湖说️学习日记  171 决策树】

【江湖说️学习日记  171 决策树】

[打卡宝宝]:嘿黑~

[打卡日期]:2019/06/24

[累计坚持]:这是我坚持学习的第171天️

[学习内容]:决策 决策树:如何用决策树来选择相亲对象?

[学习笔记]:作为一个女孩子,你妈妈一直很为你的终身大事担心,今天又要给你介绍对象了。你随口一问:多大了?她说:26。你问:长得帅不帅?她说:挺帅的。你问:收入高不高?她说:不算很高,中等情况。你问:是《刘润·5分钟商学院》学员吗?她说:是,还经常留言呢。你说:那好的,我去见见。

找男朋友,绝对是比找工作、创业、投资公司,更重要的战略决策。这么重要的决策,有没有一些商业工具可用呢?当然。今天我要与你分享一个工具:决策树(Decision Tree)。

️一、概念:决策树

什么叫决策树?其实你刚才那连珠炮似的问题,就有决策树的基本逻辑在里面。

当你问“多大了?”的时候,其实就开始启动了“相亲决策树”的第一个决策节点。这个决策节点,有两条分支线:第一,大于30岁?哦,是大叔,那就不见了;第二,三十岁以下?嗯,年龄可以。然后,你才会接着问“长得帅不帅?”这又是一个决策节点,“不帅到了丑的级别”,那就别见了。如果至少中等 ,那就再往下,走到第三个决策节点“收入高不高?”。穷?那也不能忍。然后是第四个决策节点“是《5商》学员吗?”。是?太好了,小伙子很上进,那就见吧。

你通过四个决策节点“年龄、长相、收入、上进”,排除了“老、丑、穷还不上进的人”,选出“30岁以下,收入中等,但是很上进,在学习《刘润·5分钟商学院》的帅小伙”。这套像树一样层层分支,不断递进的决策工具,就是“决策树”。

西蒙说:管理就是决策。而决策树,就是一种把决策节点画成树的辅助决策工具,一种寻找最优方案的画图法。

怎么样?一点都不难吧。但是别急,你注意到没有,你的“相亲决策树”有一个不太现实的地方,就是你妈居然能回答你的每一个问题。这让你的决策,变得非常简单直接。现实情况通常不是这样的。

现实情况通常是,你希望赖以决策的依据,是没有确定答案的。比如你如果问你妈:他的脾气好吗?你妈估计会说:哎呀,这个说不好,我只见过一面,感觉八成脾气还不错吧。你再问:他未来会有钱吗?你妈估计会说:这天知道。他这么努力,估计至少有三成概率,未来总会有钱吧?

听完这些回答:80%可能脾气不错,30%可能将来会有钱,你还去不去相亲?这就难决定了。这是,我们就往“决策树”中引入了一个“概率”。

这种被概率化了的决策树,又叫:概率树(Probability Tree)。

二、运用场景:用决策树进行决策

图片发自简书App

增加了“不确定性”后,应该怎么用“决策树”,或者“概率树”决策呢?

假设满意的最高分是10分,不满意的最高分是-10分,现在你要做一件事情,给“脾气”和“有钱”这两个不确定的条件,所产生的四个组合,诚实的打个分。

如果他真的脾气好,也真的未来很有钱,你有多满意?如果真是这样,那是100%的满意啊!打10分。

好。如果他的脾气虽然很好,但是很不幸,因为运气问题、能力问题,最后真的还是一生穷困,你有多满意?嗯,虽然没钱,但好歹脾气好。这就是命吧。如果真这样,我的满意度是3分。

好。接着来。如果不幸他的脾气很差,最后还没钱呢?这简直就是渣男啊,-10分!

那如果脾气差,但最后一不小心很有钱呢?这是一个好问题。要不要为了钱忍呢?忍一辈子很难啊,我还是打-5分吧。

图片发自简书App

在80%好脾气,30%会有钱的不确定下,你是见,还是不见呢?如果决定不见,你没有得失,收益是“0”。但是如果见呢?那就有四种可能性:

脾气差,但有钱的概率是20% x 30% = 6%。对这种情况,你打了-5分。也就是这条概率分支,你的收益是:6% x (-5分) = -0.3分。

脾气差,没钱呢?概率是:20% x 70% = 14%,收益是:14% x (-10分) = -1.4分。

脾气又好又有钱的概率是:80% x 30% = 24%,收益是:24% x 10分 = 2.4分。

脾气好,但是没钱的概率是:80% x 70% = 56%,收益是:56% x 3分 = 1.68分。

所以,如果你选择了见,你的总收益是:(-0.3分) + (-1.4)分 + 2.4分 + 1.68分 = 2.38分。

你决定见的总体收益是2.38分,不见的收益是0。所以,怎么样?应该赶紧画个妆出门,去相亲。

三、小结:认识决策树

什么是决策树?决策树,就是一种把决策节点画成树的辅助决策工具,一种寻找最优方案的画图法。

什么是概率树?概率树在决策树的基础上,增加了对条件发生概率的预测,和对结果收益的评估,然后加权平均得到一个“期望值”,用这个期望值,作为依据,辅助决策。

[思考应用]:

① 决策树实际上是根据不同的维度将事件逐一分解,然后根据每个小事件进行个人偏好的斌值,最终计算出最优解。因此,将事情划分维度的不同会影响整个决策偏好,甚至维度的顺序不同也可能对決策产生重大影响。对估值,概率的判断,会影响决策树的结论。

② 决策树和概率决策树非常棒,不仅仅可以利用在去不去相亲上,几乎可以用在所有需要选择的问题上,比如要不要换工作,要不要考验,等等。有了这个工具不用再纠结犹豫做还是不做这个事,把时间和精力耗费在怎么想也想不清楚想不明白的事,还可以有理有据地表达不做这事的原因。不同的是每个人的赋分值不一样,可能分值还会随着学历的变化而变化斌分制是一个关键。

③決策树,是先将主要因素提取出来,加上附加条件,如果可行,叫向下个节点进行,否则就到此为了。加上概率就变成了概率树。如果再加上统计,把概率的准确率提高下,那对于決策者来说,真是帮大忙了。

[坚持习惯]:

学习+早餐+八杯水

[今日感悟]:

决策不是拍脑门的,是经过深思熟虑多方对比,仔细斟酌后的结果。❤

©著作权归作者所有,转载或内容合作请联系作者
  • 序言:七十年代末,一起剥皮案震惊了整个滨河市,随后出现的几起案子,更是在滨河造成了极大的恐慌,老刑警刘岩,带你破解...
    沈念sama阅读 202,529评论 5 475
  • 序言:滨河连续发生了三起死亡事件,死亡现场离奇诡异,居然都是意外死亡,警方通过查阅死者的电脑和手机,发现死者居然都...
    沈念sama阅读 85,015评论 2 379
  • 文/潘晓璐 我一进店门,熙熙楼的掌柜王于贵愁眉苦脸地迎上来,“玉大人,你说我怎么就摊上这事。” “怎么了?”我有些...
    开封第一讲书人阅读 149,409评论 0 335
  • 文/不坏的土叔 我叫张陵,是天一观的道长。 经常有香客问我,道长,这世上最难降的妖魔是什么? 我笑而不...
    开封第一讲书人阅读 54,385评论 1 273
  • 正文 为了忘掉前任,我火速办了婚礼,结果婚礼上,老公的妹妹穿的比我还像新娘。我一直安慰自己,他们只是感情好,可当我...
    茶点故事阅读 63,387评论 5 364
  • 文/花漫 我一把揭开白布。 她就那样静静地躺着,像睡着了一般。 火红的嫁衣衬着肌肤如雪。 梳的纹丝不乱的头发上,一...
    开封第一讲书人阅读 48,466评论 1 281
  • 那天,我揣着相机与录音,去河边找鬼。 笑死,一个胖子当着我的面吹牛,可吹牛的内容都是我干的。 我是一名探鬼主播,决...
    沈念sama阅读 37,880评论 3 395
  • 文/苍兰香墨 我猛地睁开眼,长吁一口气:“原来是场噩梦啊……” “哼!你这毒妇竟也来了?” 一声冷哼从身侧响起,我...
    开封第一讲书人阅读 36,528评论 0 256
  • 序言:老挝万荣一对情侣失踪,失踪者是张志新(化名)和其女友刘颖,没想到半个月后,有当地人在树林里发现了一具尸体,经...
    沈念sama阅读 40,727评论 1 295
  • 正文 独居荒郊野岭守林人离奇死亡,尸身上长有42处带血的脓包…… 初始之章·张勋 以下内容为张勋视角 年9月15日...
    茶点故事阅读 35,528评论 2 319
  • 正文 我和宋清朗相恋三年,在试婚纱的时候发现自己被绿了。 大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
    茶点故事阅读 37,602评论 1 329
  • 序言:一个原本活蹦乱跳的男人离奇死亡,死状恐怖,灵堂内的尸体忽然破棺而出,到底是诈尸还是另有隐情,我是刑警宁泽,带...
    沈念sama阅读 33,302评论 4 318
  • 正文 年R本政府宣布,位于F岛的核电站,受9级特大地震影响,放射性物质发生泄漏。R本人自食恶果不足惜,却给世界环境...
    茶点故事阅读 38,873评论 3 306
  • 文/蒙蒙 一、第九天 我趴在偏房一处隐蔽的房顶上张望。 院中可真热闹,春花似锦、人声如沸。这庄子的主人今日做“春日...
    开封第一讲书人阅读 29,890评论 0 19
  • 文/苍兰香墨 我抬头看了看天上的太阳。三九已至,却和暖如春,着一层夹袄步出监牢的瞬间,已是汗流浃背。 一阵脚步声响...
    开封第一讲书人阅读 31,132评论 1 259
  • 我被黑心中介骗来泰国打工, 没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留,地道东北人。 一个月前我还...
    沈念sama阅读 42,777评论 2 349
  • 正文 我出身青楼,却偏偏与公主长得像,于是被迫代替她去往敌国和亲。 传闻我的和亲对象是个残疾皇子,可洞房花烛夜当晚...
    茶点故事阅读 42,310评论 2 342

推荐阅读更多精彩内容