004

004. 决策树 编号：004/100 · 分类：认知偏差与决策 · 难度：进阶 一句话：用树枝状图形把每个选择及其可能结果展开，计算每个路径的期望值，让不确定性变得可见和可算。 一、极简定义 决策树（Decision Tree） 是一种将决策问题可视化为树形结构的分析工具：每个分支节点代表一个决策点或概率事件，每条路径通向一个最终结果，通过回溯计算期望值来确定最优决策路径。 决策树方法起源于20世纪60年代的操作研究（Operations Research）领域，由 Howard Raiffa（1968）在《决策分析：关于选择的导论讲座》中系统化。同一时期，Hunt， Marin & Stone（1966）在机器学习领域独立发展了概念学习系统中的决策树算法。 二、核心机制 2.1 决策树的三个基本元素 元素 符号 含义 示例 决策节点 □（方框） 你可以控制的选择 建新厂 or 扩老厂 机会节点 ○（圆圈） 不可控的概率事件 市场需求高/中/低 结果节点 △（三角/终点） 最终收益/成本 年利润¥500万 2.2 期望值计算原理 决策树的每一个最终分支都有一个概率和一个结果值： 1 路径期望值 = 概率₁ × 结果₁ + 概率₂ × 结果₂ + ... 在机会节点处，取所有分支的加权平均（期望值）；在决策节点处，取期望值最高的分支。 2.3 决策树的两种构建方式 前向构建（Forward） 后向构建（Backward） 起点 当前状态 最终目标 展开方向 决策 → 可能结果 目标条件 → 所需决策 适用 已有可选方案，需要评估 目标明确，需要规划路径 分析方向 从后往前算期望值 从前往后验证可行性 无论用哪种方式构建，期望值的计算永远是从后往前（逆向递推）——这是决策树分析的铁律。 ...