本系列文章 主要是 分享 思維模型，涉及各個領域，重在提升認知
1 模型故事
相親決策樹：這一個姑娘的媽媽爲自己女兒的終身大事擔心，今天又給介紹對象了，以下是媽媽和自己女兒的對話：
- 姑娘隨口一問：多大了？
- 媽媽說：26。
- 姑娘問：長得帥不帥？
- 媽媽說：挺帥的
- 姑娘問：收入高不高？
- 媽媽說：不算很高，中等情況。
- 姑娘問：是很上進，熱愛學習嗎？
- 媽媽說：是。
- 姑娘說：那好的，我去見見。
接下來我們仔細分析一下這個過程。當姑娘問：“多大了？”的時候，其實就開始啓動了“相親決策樹”的第一個決策節點。這個決策節點，有兩條分支：
- 大於30歲？哦，是大叔，那就不見了；
- 三十歲以下？哦，年齡還可以。然後，你纔會接着問“長得帥不帥？”這又是一個決策節點，不帥到醜之間的級別，就不見了。如果至少中等，那就再往下，走到第三個決策節點“收入高不高？”窮？那也不能忍。然後是第四個決策節點“是 熱外學習否”。是？太好了，小夥子很上進，那就見吧。
姑娘 通過四個決策節點“年齡、長相、收入、上進”，排除了“老、醜、窮還不上進的人”，選出“30歲以下，收入中等，但是很上進，有上進心的帥小夥”。這個過程就是使用了 一個模型：決策樹。
Offer的抉擇：小A近期開始了自己的求職之路。再經歷了2個星期左右的面試，非常幸運的拿到了3個offer，但3個offer給出的薪水略有差異，同時 發展方向也不盡相同，於是決定用“決策樹”的方式來進行選擇：
小A主要從薪水、加班情況、個人成長、公司行業優勢 四個維度進行決策，就是對A B C 三家公司分別從 這四個維度進行 量化，將上圖的得分進行計算，結果如下：
計算最終得分，將4個維度的分值加起來：
- A公司：0.2275+0.075+0.09+0.45=0.8425
- B公司：0.26+0.09+0.12+0.4=0.87
- C公司：0.22+0.05+0.135+0.35=0.755
最終，小A選擇了B公司。
公司重大決策：南方醫院供應公司是一家制造醫護人員的工裝大褂的公司。該公司正在考慮擴大生產能力。它可以有以下幾個選擇：1、什麼也不做；2、建一個小廠；3、建一箇中型廠；4、建一個大廠。新增加的設備將生產一種新型的大褂，目前該產品的潛力或市場還是未知數。如果建一個大廠且市場較好就可實現$100，000的利潤。如果市場不好則會導致$90，000的損失。但是，如果市場較好，建中型廠將會獲得$ 60,000，小型廠將會獲得$40，000，市場不好則建中型廠將會損失$10,000，小型廠將會損失$5，000。當然，還有一個選擇就是什麼也不幹。最近的市場研究表明市場好的概率是0.4，也就是說市場不好的概率是0.6。如下圖所示：
在這些數據的基礎上，能產生最大的預期貨幣價值（EMV）的選擇就可找到。如下所示：
- EMV（建大廠）=（0.4）*($100,000)+(0.6)*(-$90,000)=-$14,000
- EMV（中型廠）=（0.4）*($ 600,000))+(0.6)* (-$10,000)=+$18,000
- EMV（建小廠）=（0.4）*($40,000)+(0.6)*(-$5,000)=+$13,000
- EMV（不建廠）=$0
根據EMV標準，最終 南方公司應該建一箇中型廠。
當然了，對於決策樹本身而言，它是幫助我們縷清了自己的思路，根據我們自己的需求選擇我們想要的答案，讓我們不再糾結。同時 決策樹本身是有嚴謹的定義的，上面兩個生活中的故事 主要是運用了 決策樹的思想，企業的實際應用 這個應用相對標準很多。最後請注意，決策樹只是整理了你的想法，而不是給出 所謂的正確答案。因爲所有的量化標準是由我們自己來設定的，如果我們的認知和真實情況有較大偏差，那麼決策樹是無法給出正確答案的，總之，決策樹的核心是整理你的想法，讓想法從模糊到清晰，而不是給出“所謂的正確答案”。
2 模型 決策樹
@1 決策樹的歷史起源
決策樹本身是一類算法，最初的ID3算法是由Ross Quinlan發明的用於生成決策樹的算法，此算法建立在奧卡姆剃刀上。奧卡姆剃刀又稱爲奧坎的剃刀，意爲簡約之法則，也就是假設越少越好，或者“用較少的東西，同樣可以做好的事情”，即越是小型的決策樹越優於大的決策樹。當然ID3它的目的並不是爲了生成越小的決策樹，這只是這個算法的一個哲學基礎。
@2 決策樹定義
決策樹(decision tree)是由一個決策圖和可能的結果（包括資源成本和風險組成），用來創建到達目的的規劃。一般都是自上而下的來生成的。每個決策或事件（即自然狀態）都可能引出兩個或多個事件，導致不同的結果，把這種決策分支畫成圖形很像一棵樹的枝幹，故稱決策樹。 決策樹就是將決策過程各個階段之間的結構繪製成一張箭線圖，我們可以用下圖來表示。如下所示：
簡單來說，就是 如何多維度的認知和做出選擇。
@3 決策樹 四要素
決策樹的構成有四個要素：決策結點、方案枝、狀態結點、概率枝，如下圖所示：
總之，決策樹一般由方塊結點、圓形結點、方案枝、概率枝等組成，方塊結點稱爲決策結點，由結點引出若干條細支，每條細支代表一個方案，稱爲方案枝；圓形結點稱爲狀態結點，由狀態結點引出若干條細支，表示不同的自然狀態，稱爲概率枝。每條概率枝代表一種自然狀態。在每條細枝上標明客觀狀態的內容和其出現概率。在概率枝的最末稍標明該方案在該自然狀態下所達到的結果(收益值或損失值)。這樣樹形圖由左向右，由簡到繁展開，組成一個樹狀網絡圖。
@4 應用決策樹決策方法必須具備以下5個條件：
- 具有決策者期望達到的明確目標；
- 存在決策者可以選擇的兩個以上的可行備選方案；
- 存在着決策者無法控制的兩種以上的自然狀態(如氣候變化、市場行情、經濟發展動向等)；
- 不同行動方案在不同自然狀態下的收益值或損失值(簡稱損益值)可以計算出來；
- 決策者能估計出不同的自然狀態發生概率；
@5 繪製決策樹決策模型圖 步驟：
- 繪製樹狀圖：根據已知條件排列出各方案的各種狀態；
- 標示損益值：將各狀態概率及損益值標於概率枝上；
- 計算期望值：計算各方案期望值並標於對應的狀態結點上；
- 剪枝做決策：進行剪枝，比較各方案期望值，並標於方案枝上，將期望值小的(即劣等方案剪掉)所剩最後方案即爲最佳方案。
繪製後，決策樹圖 效果 如下所示：
3 模型簡圖
