决策Tree方法用于风险决策，即在比较和选择活动计划时，未来情况不止一种，管理者无法确定哪种情况会发生，但知道每种情况发生的概率,所以采用这样的信息论方法会有效的减少对象分离所需的次数，从而保证生成的决策tree是最简单的,1.实验目的1,实验原理决策tree是最常见的分类算法，包含很多不同的变体。
采用答案的方法是正确的，但数字是错误的，所以很可能是粗心。
决策 Tree方法用于风险决策，即在比较和选择活动计划时，未来情况不止一种，管理者无法确定哪种情况会发生，但知道每种情况发生的概率。决策用树形法描述不同情况下的各种方案]×10-300=340(万元)方案二的预期收益为:-140=230(万元)。至于方案3，节点4的预期收益为465万元，大于节点5的预期收益，所以卖的不错。方案3(节点③)的预期收益为-140=359.5(万元)。计算结果表明，在三种方案中，方案3最好在复杂决策 tree中考虑利率(货币的时间价值因素)，并做一个简单的模型来计算收益或在决策 tree之后。
可以去找信用卡风险评估的spsshelpcasestudy，是用决策 tree做的，还有评分模型和树中缺失值的处理方法，但必须是spss13以上。spss13集成了spss公司的answertree，answertree是专门用决策 tree做的。
4、 决策树——ID3算法应用 实例在ID3 决策 tree归纳方法中，通常使用信息增益法来帮助确定生成每个节点时要使用的适当属性。这样，可以选择信息增益最高(熵减程度最大)的属性作为当前节点的测试属性，从而最小化对后面划分的训练样本子集进行分类所需的信息，也就是说，使用该属性划分当前(包含节点的)样本集，将最小化生成的样本子集中的“不同类别的混合程度”，所以采用这样的信息论方法会有效的减少对象分离所需的次数，从而保证生成的决策 tree是最简单的。1.实验目的1，理解分类2。掌握分类挖掘算法ID33，为改进ID3打下基础。2.实验内容1，选择数据集(可在教学中参考)2。选择合适的实现环境和工具来实现算法ID33，给出分类规则3。实验原理决策 tree是最常见的分类算法，包含很多不同的变体，ID3算法最重要的部分是信息熵和信息增益的计算。
