决策分析的方法都有哪些？如何运用

Posted 2023-04-09

参考技术A 决策分析，一般指从若干可能的方案中通过决策分析技术，如期望值法或决策树法等，选择其一的决策过程的定量分析方法。主要应用于大气科学中的动力气象学等学科。
决策分析一般分四个步骤：
（1）确定型情况下的决策分析。确定型决策问题的主要特征有4方面：
一是只有一个状态；
二是有决策者希望达到的一个明确的目标；
三是存在着可供决策者选择的两个或两个以上的方案；
四是不同方案在该状态下的收益值是清楚的。
确定型决策分析技术包括用微分法求极大值和用数学规划等。
（2）风险型情况下的决策分析。
这类决策问题与确定型决策只在第一点特征上有所区别：风险型情况下，未来可能状态不只一种，究竟出现哪种状态，不能事先肯定，只知道各种状态出现的可能性大小（如概率、频率、比例或权等）。常用的风险型决策分析技术有期望值法和决策树法。
期望值法是根据各可行方案在各自然状态下收益值的概率平均值有大小，决定各方案的取舍。决策树法有利于决策人员使决策问题形象化，可把各种可以更换的方案、可能出现的状态、可能性大小及产生的后果等，简单地绘制在一张图上，以便计算、研究与分析，同时还可以随时补充和修正。
（3）不确定型情况下的决策分析。
如果不只有一个状态，各状态出现的可能性的大小又不确知，便称为不确定型决策。常用的决策分析方法有：
a.乐观准则。比较乐观的决策者愿意争取一切机会获得最好结果。决策步骤是从每个方案中选一个最大收益值，再从这些最大收益值中选一个最大值，该最大值对应的方案便是入选方案。
b.悲观准则。比较悲观的决策者总是小心谨慎，从最坏结果着想。决策步骤是先从各方案中选一个最小收益值，再从这些最小收曾值中选出一个最大收益值，其对应方案便是最优方案。这是在各种最不利的情况下又从中找出一个最有利的方案。
c.等可能性准则。决策者对于状态信息毫无所知，所以对它们一视同仁即认为它们出现的可能性大小相等。于是这样就可按风险型情况下的方法进行决策。
大多数的决策理论是规范性的，即决策理论以假设一个具有完全信息的、可实现精度计算的、并且完全理性的理想决策者的方式达到最优的决策（在实际中，某些所谓“最好”的情景并不是最大，最优也可能包含在一个具体的或近似的最大值）。
这种规范模型的实际应用（人们应当如何决策）被称为决策分析，其目标是帮助人们进行进一步良好决策的工具和方法论。决策支持系统是一种系统的、综合的用这种方法开发的软件工具。 由于人们通常的行为并不与公理一致，经常违反了其最优性。关于这种现象的相关研究称为描述性学科。这种描述性的模型试图描述实际中人们是怎么做的。
由于规范和最优的决策通常测试假设是违背人们的实际行动，因此规范性模型和描述性模型建立了关联。对实践中发生决策允许进行进一步的测试，可能会放松规范模型中对完全信息、理性和其他方法的约束。 最近几十年，越来越多的研究者对被称为“行为决策论”的引发兴趣，这种研究对重新评价理性决策理论的要求做出了贡献。

常用的python库都有哪些

参考技术A

1.Matplotlib

Matplotlib是一个用于创立二维图和图形的底层库。藉由它的协助，你可以构建各种不同的图标，从直方图和散点图到费笛卡尔坐标图。matplotlib可以与许多盛行的绘图库结合运用。

2.Seaborn

Seaborn本质上是一个根据matplotlib库的高级API。它包括更适合处理图表的默认设置。此外，还有丰厚的可视化库，包括一些杂乱类型，如时刻序列、联合分布图(jointplots)和小提琴图(violindiagrams)。

3.Plotly

Plotly是一个盛行的库，它可以让你轻松构建杂乱的图形。该软件包适用于交互式Web运用程，可完成轮廓图、三元图和三维图等视觉效果

4.Bokeh

Bokeh库运用JavaScript小部件在浏览器中创立交互式和可缩放的可视化。该库提供了多种图表调集，样式可能性(stylingpossibilities)，链接图、增加小部件和界说回调等方式的交互才能，以及许多更有用的特性。

5.Pydot

Pydot是用纯Python编写的Graphviz接口，经常用于生成杂乱的定向图和无向图，可以显现图形的结构，对于构建神经网络和根据决策树的算法时十分有效。

6.pyecharts

是根据百度开源的Echarts而开发的Python可视化东西。

pyecharts功用十分强大，支撑多达400+地图;支撑JupyterNotebook、JupyterLab;可以轻松集成至Flask，Sanic，Django等干流Web结构。

关于常用的python库有哪些，环球青藤小编就和大家分享到这里了，学习是没有尽头的，学习一项技能更是受益终身，因此，只要肯努力学，什么时候开始都不晚。如若你还想继续了解关于python编程的素材及学习方法等内容，可以点击本站其他文章学习。