决策表

决策表是以简化和有序的方式指示条件和操作的表。通过在各种操作条件下呈现逻辑上的备选行动方案，决策表使个人能够思考问题并以紧凑的符号表示其解决方案。

决策表用于建模复杂的逻辑。他们可以很容易地看到，所有可能的条件组合都已考虑在内，当条件不满足时，很容易看到。

决策表也可以描述为因果表，是处理组合输入及其关联输出的最佳方式。它是一个极好的工具，可用于测试和需求管理。使用决策表，需求专家更容易编写覆盖所有条件的需求。

在决策表中，逻辑被很好地划分为条件、动作（决策）和规则，用于表示构成逻辑模型的各种组件。决策表的一般格式有四个基本部分。包括：

• 动作条目：表示要采取的动作。
• 条件输入：表示满足的条件或回答条件存根中的问题。
• 动作存根：它列出了描述可以采取的所有动作的语句。
• 条件存根（Condition stub）：它列出了要测试的所有条件，以确定决策所需的因素。

关于决策表，您需要知道什么

• 决策表是由行和列组成的表，分为四个象限。
• 在决策表中，输入列在一列中，输出列在同一列中但低于输入。
• 使用决策表可以检测否则不会被发现，因此不会被测试或开发的条件组合。
• 决策表最好在系统设计期间构建，然后它们对开发人员、测试人员和最终用户有用。
• 决策表测试是一种黑盒测试设计技术，用于确定复杂业务逻辑的测试场景。
• 有两种类型的决策表，即扩展条目表和有限条目表。在扩展条目表中，如果条件适用于给定规则，则必须同时考虑任何特定条件的条目和存根部分。在有限条目表中，所需的条件或操作包含在适当的存根中。
• 要构建决策表，分析师需要确定表的最大大小；消除任何不可能的情况、不一致或冗余，并尽可能简化表格。
• 决策表可以并且通常嵌入计算机程序中，并用于驱动程序的逻辑。一个简单的示例可能是一个查找表，其中包含一系列可能的输入值和指向处理该输入的代码部分的函数指针。
• 决策表以简化和有序的方式显示条件和动作。通过在各种操作条件下呈现逻辑的备选行动方案，决策表使个人能够思考问题并以紧凑的符号表示其解决方案。

决策表的优点

• 当条件很多时，决策表有助于可视化情况的结果。
• 它们很容易理解，每个人都可以使用这种方法来设计测试场景和测试用例。
• 它们很容易画。
• 它们提供了更紧凑的文档。
• 决策表可以根据情况轻松更改。
• 决策表总结了一种情况的所有结果，并提出了适当的行动建议。
• 决策表具有标准格式。

决策表的缺点

• 决策表不能表示解决问题的完整操作序列；程序员可能难以将决策表直接翻译成计算机程序。
• 决策表不显示给定问题解决方案的逻辑流程。
• 当有许多备选方案时，决策表无法列出所有备选方案。
• 决策表仅提供部分解决方案。

决策树

决策树是一种决策支持工具，它使用分支方法来说明决策的所有可能结果。决策树可以手工绘制，也可以用图形程序或专用软件创建。决策树通常从一个节点开始，然后分支到可能的结果。这些结果中的每一个都会产生额外的节点，这些节点会分支到其他可能性。这给了它一个树状的形状。

在决策树（树状图）中，节点表示我们选择属性和提问的位置；边表示问题的答案，而叶表示实际输出或类标签。决策树直观地演示了因果关系，提供了潜在复杂过程的简化视图。

创建决策树时，一些基本假设包括：

• 在开始时，整个训练集被视为根。
• 记录根据属性值递归分布。
• 将属性放置为树的根节点或内部节点的顺序是使用某种统计方法完成的。
• 特征值最好是分类的。如果这些值是连续的，则在构建模型之前将其离散化。

你需要知道的是关于决策树

• 决策树是一种用于分类和回归任务的非参数监督学习方法。它以图形方式说明了所有可能的备选方案、概率和结果，并确定了使用决策分析的好处。
• 决策树通常从顶部（根）到底部（叶）读取。在每个节点（分割点）询问一个问题，对该问题的响应决定下一个分支。预测由叶子的标签给出。
• 决策树可以手工绘制，也可以用图形程序或专用软件创建。
• 决策树的目标是通过学习从数据特征推断出的简单决策规则来创建预测目标变量值的模型。
• 决策树通常用于运筹学，特别是决策分析，以帮助确定最有可能实现目标的策略。
• 当决策树以最少的级别或问题数量表示最多的数据时，它被认为是最优的。
• 在决策树中，样本根据输入变量中的最重要分裂/微分器被分成两个或多个同质集。
• 有两种类型的决策树基于当前目标变量的类型。这两种类型包括分类变量决策树和连续变量决策树。
• 在决策树中，数据类型从来不是约束；它可以处理数值和类别变量。
• 当处理具有多个级别的分类数据时，信息增益偏向于具有最多级别的属性。
• 参数之间的非线性关系不影响树的性能。
• 决策树没有关于空间分布和分类器结构的假设。

决策树的其他应用

• 制造-制造/生产的化学材料评估。
• 计划和安排活动。
• 药理学发展药物疗效分析。
• 分子生物学-分析人类基因组计划中的氨基酸序列。
• 医学-婴儿猝死综合征（SIDS）分析。
• 电化学加工中的生产工艺优化。
• 生物医学工程确定植入式装置中使用的特征。

决策树的优势

• 决策树提供了对预测或分类最重要的字段的明确指示。
• 树输出易于阅读和解释。
• 它们可以用作其他预测技术的基线基准。
• 决策树能够生成可理解的规则。
• 决策树需要用户相对较少的数据准备工作。
• 决策树执行分类而不需要太多计算。
• 决策树可以处理数值变量和分类变量。
• 决策树在一定程度上不受异常值和缺失值的影响。
• 决策树可以分析和解决许多业务问题。

决策树的缺点

• 决策树不太适合于目标是预测连续属性值的估计任务。
• 它们是不稳定的，因为优化决策树结构的微小变化。
• 与其他预测因子相比，它们相对不准确。许多其他预测因子在类似数据中表现更好。
• 计算可能会变得非常复杂，特别是如果许多值不确定，并且许多结果是关联的。

决策树(decision tree)和表格形式的决策表(decision table in tabular form)的区别