决策树分析

决策树分析是什么（我们指的是哪种决策树）

今天搜索“决策树”，你会发现大多数内容是机器学习算法——一种根据特征划分数据的分类器。此页面讨论的是较旧的人类工具：决策分析树，这一技术在霍华德·雷法的决策分析（1968）和哈佛/斯坦福决策分析传统中被确立，用于在不确定性下进行选择推理。

语法很简单。决策节点（以方形表示）是你做选择的地方。机会节点（圆形）是世界做选择的地方——批准通过或不通过，需求高或低——每个分支都带有你估计的概率。终端节点（叶子）带有到达那里后的收益。时间从左到右流动：先做承诺，后有下游后果。

分析是回滚：从叶子开始向后工作，每个机会节点收敛到其概率加权平均值，每个决策节点收敛到其最佳可用分支——因为当你到达那里时，你会选择最佳分支。到达根节点的是每个初始选项的期望值，而且通常还有更有用的东西：发现分阶段策略（“先试点，然后再决定”）优于大胆承诺和无所作为。它在工具箱中的位置：决策模型；有关静态版本的资金问题，请参见成本效益分析。

何时使用它 — 何时不使用它

决策树在以下情况下发挥作用：

• ✓决策是顺序的。 现在的选择会影响后续的选择——试点、分阶段投资、扩展选项结构。这是树的主场，而这是平面比较无法看到的。
• ✓不确定性是离散且可估计的。 监管批准、交易完成、技术里程碑——这些事件你可以诚实地给出一个概率范围。
• ✓你怀疑信息有价值。 树木重视“先进行研究”这一分支——在承诺之前购买知识的预期价值，这是决策分析真正深刻的贡献之一。

而他们误导的地方：

• ✗公司赌注。 期望值是可重复决策的正确标准；对于一次性生存赌注，10%的破产机会并不能被丰厚的平均值所抵消。风险态度应纳入分析，而天真的期望值则忽视了这一点。
• ✗没有人能辩护的概率。 树的输出继承了其估计的质量；0.6 输入到一个分支中就是一个主张，如果没有人能说明原因，那么算术就是戏剧。（这是下面的论证树连接。）
• ✗组合爆炸。 模型中的每一个不确定性都会使树变得难以阅读。关键在于选择实际驱动决策的两个或三个不确定性。
• ✗深度模糊性。 当你甚至无法列举结果时，概率就是过早的——这就是情景规划的领域。

逐步进行，附带示例

示例场景：一家虚构的生物技术工具初创公司正在决定是现在推出其产品还是先进行认证研究。程序：

1. 1框定根本决策。 从第一个方框延伸出三个分支：立即启动；先进行认证研究（一年，费用）；搁置产品。
2. 2对每个分支进行不确定性映射。 立即启动 → 概率节点：市场接受未认证产品（估计40%）或拒绝（60%）。先进行研究 → 概率节点：认证通过（70%）或被拒绝（30%）；如果通过，进一步决策方框：推出认证产品（更高的接受度，估计80%）或将技术授权。
3. 3在叶子节点附加收益。 每个终态都有一个值：认证发射成功是最大的收益；未认证发射失败是损失加上声誉损害（明确计入成本）；搁置是零减去沉没开发成本。
4. 4回滚。 按照每个机会节点的概率进行平均；在每个决策方格中保留最佳分支。假设这些数字使得先研究比现在启动更有价值，尽管延迟了一年——认证对接受度的提升足以弥补等待的时间。
5. 5强调估计。 在什么接受概率下，立即启动会获胜？如果答案是55%，而你的诚实范围是30-50%，那么结论是稳健的；如果翻转点位于中间范围，决策就取决于一个估计——而这个估计值得第6步的审查。
6. 6审查承载数字。 70%的认证估算来源于某处——可比的批准？顾问的判断？在算术被相信之前，使基础明确且可质疑。

决策树和论证树——互为补充，而非竞争对手

这些名称容易引起混淆，因此这里有一个清晰的划分。一个 决策树 计算：在给定这些概率和收益的情况下，哪种策略最有价值？一个 论证树 推理：这些概率和收益实际上可靠吗？在 决策质量 的术语中，决策树结构化 替代方案（包括分阶段的那些平面分析遗漏的）和 信息（明确的估计）；论证树提供关于这些输入的 合理推理：

决策树与其他选择