Ⅰ 决策树 python 代码实现后 怎么应用到实际中去
（1）#按照市值从小到大的顺序活得N支股票的代码；（2）#分别对这一百只股票进行100支股票操作；（3）#获取从2016.05.01到2016.11.17的涨跌幅数据；（4）#选取记录大于40个的数据，去除次新股；（5）#将文件名名为“股票代码.csv”。
Ⅱ 金融学（银行与国际金融)和金融学（公司金融)是不是一个专业
在国内一般认为是一个专业，但是这两个是不同的研究方向。
金融学（银行与国际金融）：
培养目标：本专业主要为银行和证券投资等金融经济领域，培养符合国际规范化要求的金融管理人才，以适应我国金融市场的国际化发展。培养掌握现代金融学基本理论和金融管理技术与方法，熟练掌握国际金融领域的专业知识和政策法规，熟悉国内外金融机构的经营管理及贸易结算业务，具有较高英语水平及计算机操作能力的，能在银行业、证券业、信托业、保险业、基金业、上市公司及其他经济管理部门和单位从事金融、理财及其他经济管理工作的“应用型、复合型、外向型”高素质专门人才。
主要专业课：货币金融学、金融市场学、证券投资学、国际金融与管理、商业银行经营与管理、银行信贷管理学、证券投资学、保险理论与营销、汇率理论与外汇交易、国际结算、期货投资分析、信用管理、个人理财、金融模拟与实验等。
就业方向：在各商业银行、保险公司、证券公司、信托和租赁公司、期货经纪公司、基金管理公司、金融管理部门及上市公司从事金融、理财及其他经济管理工作。
公司金融学（Corporate finance），又称公司财务管理，公司理财等。它是金融学的分支学科，用於考察公司如何有效地利用各种融资渠道，获得最低成本的资金来源，并形成合适的资本结构（capital structure）；还包括企业投资、利润分配、运营资金管理及财务分析等方面。它会涉及到现代公司制度中的一些诸如委托-代理结构的金融安排等深层次的问题。一般来说，公司金融学会利用各种分析工具来管理公司的财务，例如使用贴现法(DCF)来为投资计划总值作出评估，使用决策树分析来了解投资及营运的弹性。
公司金融学主要研究企业的融资、投资、收益分配以及与之相关的问题。对于英文CorporateFinance中国有不同的译法，或译为“公司财务”，或译为“公司理财”，或译为“公司金融”。显然，就中文的字面来看，“财务”、“理财”和“金融”这些概念是有显著区别的。一般而言，企业的“财务”或“理财”是以现金收支为主的企业资金收支活动的总称，是建立在企业的会计信息基础上加以管理的。而公司金融所研究的内容要比此庞大得多。一是它不再局限于企业内部，因为现代公司的生存和发展都离不开金融系统，所以，必须注重研究企业与金融系统之间的关系，以综合运用各种形式的金融工具与方法，进行风险管理和价值创造。这是现代公司金融学的一个突出特点。二是就企业内部而言，公司金融所研究的内容也比“财务”或“理财”要广，它还涉及与公司融资、投资以及收益分配有关的公司治理结构方面的非财务性内容。
Ⅲ 管理学-决策树问题，求详解
----------销路好0.7 100万
......1--|
. ----------销路差0.3 -20万
.
. ------------销路好0.7 40万
I--......2--|
. ------------销路差0.3 30万
.
. -----扩建4 95万
. -----------Ⅱ---|
. | -----不扩建5 40万
......3--|
|
|
---------------销路差0.3 30万
方案一：结点1的期望收益是（0.7*100-0.3*20）*10-300=340
方案二：结点2的期望收益是（0.7*40+0.3*30）*10-140=230
方案三：结点4的期望收益是95*7-200=465，大于结点5的期望收益40*7=280，所以销路好时，扩建比不扩建好，结点3的期望收益是（0.7*40*3+0.7*465+0.3*30*10）-140=359.5
可以看出，三种方案中方案三最好
弄着一个决策树真费劲，不如在word上好弄
Ⅳ 10、决策树属于（ ）。
风险型决策：在未来的决定因素，可能出现的结果不能作出充分肯定的情况下，根据各种可能结果的客观概率作出的决策。决策者对此要承担一定的风险。风险型问题具有决策者期望达到的明确标准，存在两个以上的可供选择方案和决策者无法控制的两种以上的自然状态，并且在不同自然状态下不同方案的损益值可以计算出来，对于未来发生何种自然状态，决策者虽然不能作出确定回答，但能大致估计出其发生的概率值。对这类决策问题，常用损益矩阵分析法和决策树法求解；
程序化决策：就是可以根据既定的信息建立数学模型，把决策目标和约束条件统一起来，进行优化的一种决策。比如工厂选址、采购运输等等决策。这种决策是可以运用筹学技术来完成的。在这种程序化决策中，决策所需要的信息都可以通过计量和统计调查得到，它的约束条件也是明确而具体的，并且都是能够量化的。对于这种决策，运用计算机信息技术可以取得非常好的效果。通过建立数学模型，让计算机代为运算，并找出最优的方案，都是在价值观念之外做出的，至少价值观念对这种决策的约束作用不是主导因素。
悲观决策：采用悲观决策准则，通常要放弃最大利益，但由于决策者是从每一方案最坏处着眼，因此风险较小。小中取大法又称为最小风险法，是一种把风险降低到最小程度来获取收益的股票投资方法。最小风险法是一种较为稳妥的股票投资决策方法，较适合保守型的股票投资者采用。
乐观决策：
大中取大法又称乐观法、大中取大原则、乐观决策法、冒险法、最大的最大收益法，采用这种方法的管理者对未来持乐观的看法，认为未来会出现最好的自然状态，因此不论采取哪种方案，都能获取该方案的最大收益。
由于决策树，是对事物进行定量和定性分析，采用各类事物产生的概率及风险进行评估，所以选A
Ⅳ 某企业拟推出产一种新产品,现有三个方案可供选择,有关资料如下表,试画出决策树并进行决策。
方案A的预期货币价值EMV=0.4*200+0.35*80+0.25*(-30)=100.5
方案B的预期货币价值EMV=0.4*100+0.35*40+0.25*0=54
方案C的预期货币价值EMV=0.4*50+0.35*40+0.25*30=41.5
每年预计收益方案A:100.5-250/6=58.8
每年预计收益方案B:54-90/6=39
每年预计收益方案C:41.5-40/6=34.8
所以应当选择方案C.
图在WORD中画的，不太好，不过能说问题。符号采用美国项目管理协会规范，你可以根据企业具体标准修改。
Ⅵ 我要对股票市场做决策树的模型，可是不会数据预处理，谁可以帮帮我啊，时间紧急啊
数据预处理可以通过很多股票软件进行数据生成，然后通过EXCEL软件进行处理，不过很耗时间
Ⅶ 求最小最大后悔值和决策树问题各两道!急!
1.结合实例说明什么是最小最大后悔值法。
最小最大后悔值法也称萨凡奇决策准则
最小最大后悔值法是指管理者在选择了某方案后，如果将来发生的自然状态表明其他方案的收益更大，那么他(或她)会为自已的选择而后悔。最小最大后悔值法就是使后悔值最小的方法。
最小最大后悔值法的运用
在股票市场上，最小最大后悔值法被称为最小后悔法，是股票投资者力图使后悔值降到最低限度的证券投资方法。
由于选取的购买方案往往与预测的企业经营状况存在很大的差异，这样就会出现实际收益大大低于目标收益的状况而使投资者产生后悔。最小后悔法的目的就是要使投资者将这种后悔降低到最低程度。
利用最小后悔法买卖股票的操作程序：
1、列出投资者在各种状态下的购买方案，并在每一购买方案中选出各自然状态下的最大收益值。
2、求出各种自然状态下各种方案的后悔值，其后悔值的公式是：“某方案后悔值”＝ “某自然状态下的最大收益值”-“该方案的收益值”，然后，将此方案的后悔值填入该方案栏中。
3、由此找出各方案在不同自然状态下的最大后悔值。
4、在各方案的最大后悔值中找出最小的后悔值，最小后悔值所对应的方案即为最优方案。
2.举例说明决策树的作用。
决策树是用二叉树形图来表示处理逻辑的一种工具。可以直观、清晰地表达加工的逻辑要求。特别适合于判断因素比较少、逻辑组合关系不复杂的情况。
决策树提供了一种展示类似在什么条件下会得到什么值这类规则的方法。比如，在贷款申请中，要对申请的风险大小做出判断，图是为了解决这个问题而建立的一棵决策树，从中我们可以看到决策树的基本组成部分：决策节点、分支和叶子。
决策树中最上面的节点称为根节点，是整个决策树的开始。本例中根节点是“收入>￥40,000”，对此问题的不同回答产生了“是”和“否”两个分支。
决策树的每个节点子节点的个数与决策树在用的算法有关。如CART算法得到的决策树每个节点有两个分支，这种树称为二叉树。允许节点含有多于两个子节点的树称为多叉树。
每个分支要么是一个新的决策节点，要么是树的结尾，称为叶子。在沿着决策树从上到下遍历的过程中，在每个节点都会遇到一个问题，对每个节点上问题的不同回答导致不同的分支，最后会到达一个叶子节点。这个过程就是利用决策树进行分类的过程，利用几个变量（每个变量对应一个问题）来判断所属的类别（最后每个叶子会对应一个类别）。
假如负责借贷的银行官员利用上面这棵决策树来决定支持哪些贷款和拒绝哪些贷款，那么他就可以用贷款申请表来运行这棵决策树，用决策树来判断风险的大小。“年收入>￥40,00”和“高负债”的用户被认为是“高风险”，同时“收入<￥40,000”但“工作时间>5年”的申请，则被认为“低风险”而建议贷款给他/她。
数据挖掘中决策树是一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测（就像上面的银行官员用他来预测贷款风险）。常用的算法有CHAID、 CART、 Quest 和C5.0。
建立决策树的过程，即树的生长过程是不断的把数据进行切分的过程，每次切分对应一个问题，也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。
各种决策树算法之间的主要区别就是对这个“差异”衡量方式的区别。对具体衡量方式算法的讨论超出了本文的范围，在此我们只需要把切分看成是把一组数据分成几份，份与份之间尽量不同，而同一份内的数据尽量相同。这个切分的过程也可称为数据的“纯化”。看我们的例子，包含两个类别--低风险和高风险。如果经过一次切分后得到的分组，每个分组中的数据都属于同一个类别，显然达到这样效果的切分方法就是我们所追求的。
到现在为止我们所讨论的例子都是非常简单的，树也容易理解，当然实际中应用的决策树可能非常复杂。假定我们利用历史数据建立了一个包含几百个属性、输出的类有十几种的决策树，这样的一棵树对人来说可能太复杂了，但每一条从根结点到叶子节点的路径所描述的含义仍然是可以理解的。决策树的这种易理解性对数据挖掘的使用者来说是一个显著的优点。
然而决策树的这种明确性可能带来误导。比如，决策树每个节点对应分割的定义都是非常明确毫不含糊的，但在实际生活中这种明确可能带来麻烦（凭什么说年收入￥40,001的人具有较小的信用风险而￥40,000的人就没有）。
Ⅷ 目前最流行的机器学习算法是什么
毫无疑问，机器学习在过去几年越来越受欢迎。由于大数据是目前技术行业最热门的趋势，机器学习是非常强大的，可以根据大量数据进行预测或计算推理。
如果你想学习机器算法，要从何下手呢？
监督学习
1. 决策树：决策树是一种决策支持工具，使用的决策及其可能产生的后果，包括随机事件的结果，资源消耗和效用的树状图或模型。
从业务决策的角度来看，决策树是人们必须要选择是/否的问题，以评估大多数时候作出正确决策的概率。它允许您以结构化和系统的方式来解决问题，以得出逻辑结论。
2.朴素贝叶斯分类：朴素贝叶斯分类器是一种简单的概率分类器，基于贝叶斯定理，其特征之间具有强大（朴素）的独立性假设。
特征图像是方程 - P（A | B）是后验概率，P（B | A）是似然度，P（A）是类先验概率，P（B）是预测先验概率。
一些现实世界的例子是：
判断邮件是否为垃圾邮件
分类技术，将新闻文章氛围政治或体育类
检查一段表达积极情绪或消极情绪的文字
用于面部识别软件
3.普通最小二乘回归：如果你了解统计学，你可能已经听说过线性回归。最小二乘法是一种执行线性回归的方法。
您可以将线性回归视为拟合直线穿过点状分布的任务。有多种可能的策略可以做到这一点，“普通最小二乘法”策略就像这样 -你可以画一条线，然后把每个数据点，测量点和线之间的垂直距离，添加上去;拟合线将是距离总和的尽可能小的线。
线性是指您正在使用的模型来迎合数据，而最小二乘可以最小化线性模型误差。
4.逻辑回归： Logistic回归是一个强大的统计学方法，用一个或多个解释变量建模二项式结果。它通过使用逻辑函数估计概率，来衡量分类因变量与一个或多个独立变量之间的关系，后者是累积逻辑分布。
逻辑回归用于生活中：
信用评级
衡量营销活动的成功率
预测某一产品的收入
某一天会有地震吗
5.支持向量机： SVM是二元分类算法。给定N维空间中两种种类型的点，SVM生成（N-1）维的超平面将这些点分成2组。
假设你有一些可以线性分离的纸张中的两种类型的点。SVM将找到一条直线，将这些点分成两种类型，并尽可能远离所有这些点。
在规模上，使用SVM解决的一些特大的问题（包括适当修改的实现）是：广告、人类基因剪接位点识别、基于图像的性别检测，大规模图像分类...
6.集成方法：集成方法是构建一组分类器的学习算法，然后通过对其预测进行加权投票来对新的数据点进行分类。原始的集成方法是贝叶斯平均法，但更新的算法包括纠错输出编码、bagging和boosting。
那么集成方法如何工作，为什么它们优于单个模型？
均衡偏差：如果你均衡了大量的倾向民主党的投票和大量倾向共和党的投票，你总会得到一个不那么偏颇的结果。
降低方差：集合大量模型的参考结果，噪音会小于单个模型的单个结果。在金融领域，这被称为投资分散原则(diversification)——一个混搭很多种股票的投资组合，比单独的股票更少变故。
不太可能过度拟合：如果您有单个模型不完全拟合，您以简单的方式（平均，加权平均，逻辑回归）结合每个模型建模，那么一般不会发生过拟合。
无监督学习
7. 聚类算法：聚类是对一组对象进行分组的任务，使得同一组（集群）中的对象彼此之间比其他组中的对象更相似。
每个聚类算法是不同的，比如：
基于Centroid的算法
基于连接的算法
基于密度的算法
概率
降维
神经网络/深度学习
8. 主成分分析： PCA是使用正交变换将可能相关变量的观察值转换为主成分的线性不相关变量值的一组统计过程。
PCA的一些应用包括压缩、简化数据、便于学习、可视化。请注意，领域知识在选择是否继续使用PCA时非常重要。数据嘈杂的情况（PCA的所有组件都有很大差异）的情况不适用。
9.奇异值分解：在线性代数中，SVD是真正复杂矩阵的因式分解。对于给定的m * n矩阵M，存在分解，使得M =UΣV，其中U和V是酉矩阵，Σ是对角矩阵。
PCA实际上是SVD的简单应用。在计算机视觉技术中，第一个人脸识别算法使用PCA和SVD，以将面部表示为“特征脸”的线性组合，进行降维，然后通过简单的方法将面部匹配到身份;虽然这种方法更复杂，但仍然依赖于类似的技术。
10.独立成分分析： ICA是一种统计技术，用于揭示随机变量、测量或信号集合的隐藏因素。ICA定义了观察到的多变量数据的生成模型，通常将其作为大型样本数据库。
在模型中，假设数据变量是一些未知潜在变量的线性混合，混合系统也是未知的。潜变量被假定为非高斯和相互独立的，它们被称为观测数据的独立成分。
ICA与PCA相关，但它是一种更强大的技术，能够在这些经典方法完全失败时找到潜在的源因素。其应用包括数字图像、文档数据库、经济指标和心理测量。
Ⅸ 为什么手动实现决策树效率比调包低很多
1.每个算法模块按照“原理讲解→分析数据→自己动手实现→特征与调参”的顺序，“原理加实践，顶天立地”。
2.拒绝简单的“调包”——增加3次“机器学习的角度看数学”和3次“Python数据清洗和特征提取”，提升学习深度、降低学习坡度。
3.增加网络爬虫的原理和编写，从获取数据开始，重视将实践问题转换成实际模型的能力，分享工作中的实际案例或Kaggle案例：广告销量分析、环境数据异常检测和分析、数字图像手写体识别、Titanic乘客存活率预测、用户-电影推荐、真实新闻组数据主题分析、中文分词、股票数据特征分析等。