Обычно, теории и методы принятия решений относят либо к ДЕСКРИПТИВНОМУ направлению, либо к НОРМАТИВНОМУ или прескриптивному направлению. В первом случае, речь идет об исследовании того, как принимают решения в тех или иных ситуациях. Во втором случае, речь идет о рекомендации того, как нужно принимать решения. Однако, есть методы, которые могут использоваться в обоих случаях.
В частности, дерево решений (decision tree), которое представляет собой граф, состоящий из факторов, решений, последствий и переходов между ними. Такое дерево может быть построено как (1) на основе имеющихся данных для описания существующего процесса принятия решений, так и (2) на основе определенных теорий и моделей для описания возможного или рекомендуемого процесса принятия решений.
В первом случае, дерево решений часто рассматривается как один из методов классификации в рамках анализа данных (data mining). Butler Analytics приводит несколько программных инструментов для построения таких деревьев GATree, KNIME, RapidMiner, Smiles, YaDT*. Если речь идет о разработке собственных инструментов, то имеет смысл посмотреть на Python Pandas, Python Scikit-learn, Weka, Apache Mahout, Apache Spark MLlib.
Во втором случае, дерево решений часто рассматривается как визуальный инструмент структурирования и формализации задачи принятия решения. Рассматривая деревья решений, также имеет смысл рассмотреть диаграммы влияния (influence diagrams) и байесовские сети (bayesian networks). Для решения этой категории задач также можно привести ряд программных средств, включая Lumina Analytica, SmartDraw, MindTools. Если же речь идет о разработке собственных программных средств, то к вашим услугам библиотеки и компоненты, реализующих методы теории вероятностей, методы теории графов, инструменты визуального редактирование графов. К таким программным библиотекам можно отнести JDistLib, JMSL, JGraph, yFile.
* 5 Free Decision Tree Tools, Butler Analytics, 2013, http://butleranalytics.com/5-free-decision-tree-tools/
В частности, дерево решений (decision tree), которое представляет собой граф, состоящий из факторов, решений, последствий и переходов между ними. Такое дерево может быть построено как (1) на основе имеющихся данных для описания существующего процесса принятия решений, так и (2) на основе определенных теорий и моделей для описания возможного или рекомендуемого процесса принятия решений.
В первом случае, дерево решений часто рассматривается как один из методов классификации в рамках анализа данных (data mining). Butler Analytics приводит несколько программных инструментов для построения таких деревьев GATree, KNIME, RapidMiner, Smiles, YaDT*. Если речь идет о разработке собственных инструментов, то имеет смысл посмотреть на Python Pandas, Python Scikit-learn, Weka, Apache Mahout, Apache Spark MLlib.
Во втором случае, дерево решений часто рассматривается как визуальный инструмент структурирования и формализации задачи принятия решения. Рассматривая деревья решений, также имеет смысл рассмотреть диаграммы влияния (influence diagrams) и байесовские сети (bayesian networks). Для решения этой категории задач также можно привести ряд программных средств, включая Lumina Analytica, SmartDraw, MindTools. Если же речь идет о разработке собственных программных средств, то к вашим услугам библиотеки и компоненты, реализующих методы теории вероятностей, методы теории графов, инструменты визуального редактирование графов. К таким программным библиотекам можно отнести JDistLib, JMSL, JGraph, yFile.
* 5 Free Decision Tree Tools, Butler Analytics, 2013, http://butleranalytics.com/5-free-decision-tree-tools/
Комментариев нет:
Отправить комментарий