مفهوم ترسیم درخت تصمیم فازی در تدوین استراتژی چیست؟
در این مقاله قصد دریم به نقش ترسیم درخت تصمیم فازی در تدوین استراتژی بپردازیم و انواع مدلها و نمودارهایی که میتوان برای ترسیم درخت فازی در تدوین استراتژی و مبانی تصمیم گیری قائل شد را شرح دهیم. در ادامه مدل ID3 و CART را توضیح خواهیم داد و معایب و مزایای هر کدام مورد بررسی قرار میدهیم.
مقدمه ای بر درخت تصمیم فازی
زمان و عدم قطعیت در فرآیند برنامه ریزی استراتژیک نقش مهمی را ایفا می کنند. در دنیای متغیر امروزی داشتن استراتژی متناسب با شرایط متغیر محیطی از اهمیت بالایی برخوردار بوده و رویکردهای کلاسیک تدوین استراتژی، قابلیت پاسخگویی سریع و مناسب به نیاز سازمان ها، در محیط متغیر امروزی را ندارند.
درخت تصمیم فازی که حاصل ترکیب الگوریتم ID3 و تئوری مجموعه های فازی می باشد، مدلی سیستماتیک ارائه می کند که سازمان ها با استفاده از آن می توانند در برابر تغییرات محیطی، واکنش سریع و مناسب داشته باشند. مزیت دیگر این رویکرد، توانایی کار آن با متغیرهای کلامی است که دانش حاصل از آن برای انسان از قابلیت درک بالایی برخوردار می باشد. این رویکرد به دلیل فازی بودن توانایی برخورد با عدم قطعیت را داشته و با در نظر گرفتن حالت های مختلف در پایگاه داده، واکنش مناسب در برخورد با تغییرات محیطی دارد.
رویکردی نوین در تدوین استراتژی
این رویکرد ابتدا صفات اصلی دخیل در امر تدوین استراتژی را شناسایی کرده و اقدام به ایجاد پایگاه داده و تشکیل درخت با محاسبه آنتروپی صفات می کند تا پایگاه قوانین حاصل شود در نهایت با فازی سازی ورودی ها (صفات) و خروجی ها (استراتژی ها)، سیستم استنتاج فازی اولویت بندی استراتژی ها را ارائه می دهد.
برنامه ریزی استراتژیک نقش کلیدی در موفقیت سازمان ها در محیط پر تلاطم ومتغیر امروزی دارد و در صورت تدوین درست استراتژی و اجرای صحیح آن، سازمان ها قادر خواهند بود تا در عرصه رقابت به پیشتازی و موفقیت دست یابند. در فرآیند برنامه ریزی استراتژیک، زمان و عدم قطعیت، نقش مهمی ایفا می کند.
قابلیت پاسخگویی سریع به نیاز سازمان ها
رویکردهای کلاسیک تدوین استراتژی، قابلیت پاسخگویی سریع به نیاز سازمان ها، در محیط متغیر امروزی را ندارند و با تغییر سریع شرایط محیط درونی و بیرونی سازمان ها، کارایی خود را از دست می دهند. تمام رویکردهای کلاسیک بر مبنای پیش بینی های قطعی از آینده اقدام به تدوین استراتژی می کنند. پیش بینی ها و تحلیل شرایط کنونی و تجارب گذشته جهت ترسیم مسیر حوادث و روند آینده استفاده می شود.
هر چه محیط آشفته تر و نرخ تغییرات سریع تر باشد، احتمال عدم تحقق این پیش بینی ها بالاتر می رود. لذا ارائه روشی که بتواند این مشکل را حل نماید ضروری به نظر می رسد. در این مقاله روش جدید و سیستماتیکی در جهت تدوین استراتژی با نام درخت تصمیم فازی، که ترکیبی از درخت تصمیم ID3 و تئوری مجموعه های فازی است، معرفی و روش شناسی رویکرد فوق به تفضیل تشریح می گردد.
درخت تصمیم فازی چیست؟
توسعه تکنولوژی های کامپیوتری و تکنیک های یادگیری اتوماتیک می تواند تصمیم گیری را آسان تر و بسیار کاراتر سازد. در دامنه یادگیری ماشینی جایی که همیشه کامپیوترها تصمیم می گیرند و یا برای گرفتن تصمیم درست پیشنهاد هایی را ارائه می دهند، رویکردهای زیادی از تکنیک های تصمیم گیری وجود دارند؛ از قبیل درخت تصمیم فازی ، شبکه های عصبی مصنوعی و… درخت تصمیم فازی شیوه ای برای ارائه پایگاه قانون و در واقع یک روش باز نمایی دانش می باشد. درخت تصمیم فازی فراگیر یکی از روش های استتناج استقرائی با کاربرد وسیع و روشی برای تخمین توابع هدف گسسته است که تابع فراگیر با یک درخت تصمیم فازی نمایش داده می شود.
کاربردها و مزایای درخت تصمیم فازی
رویکرد درخت تصمیم فازی در بسیاری از زمینه ها کاربرد دارد از جمله: شناسایی الگوها، طبقه بندی الگوها، کلاسه بندی، سیستم های پشتیبان تصمیم گیری، سیستم های خبره و غیره. زیرا در مقایسه با سایر متدها از جمله ماکزیمم احتمال سریع ترین می باشد. بویژه در شرایطی که فضای نمونه بزرگ است علاوه بر این مهیا کردن داده آسان و درک آن نیز برای افراد غیر فنی آسان تر است. مزیت دیگر درخت تصمیم فازی این است که هر دو نوع داده عددی و رتبه ای را می تواند طبقه بندی کند.
درخت تصمیم فازی بطور موفقیت آمیزی در زمینه های مدیریت مالی (در تبادلات و معاملات)، اطلاعات بازار بورس، بررسی اداری، مدیریت قوانین کسب و کار ( آنالیز کیفیت پروژه، مدیریت کیفیت محصول، مطالعه امکان سنجی)، بانکداری و بیمه ( بررسی و پیش بینی ریسک)، علوم محیطی (تجزیه و تحلیل کیفیت محیط، تجزیه و تحلیل منابع یکپارچه، بررسی فاجعه)، تصمیم گیری در تشخیص و انتخاب درمان مناسب و غیره بکار می رود. مزیت اصلی رویکرد درخت تصمیم فازی نشان دادن راه حل هاست. درخت تصمیم سه چیز را نشان می دهد:
- هر گره داخلی، که یک صفت را آزمایش می کند.
- هر شاخه، که مطابق با ارزش صفت می باشد.
- هر گره برگ، که یک کلاس را نشان می دهد.
معایب درخت تصمیم فازی
یکی از معایب درخت تصمیم فازی بی ثباتی آن می باشد. درخت تصمیم فازی با بوجود آمدن اندک اغتشاشی در داده آموزشی همانند طبقه بندی کننده بی ثبات عمل می کند. ساختار درخت تصمیم فازی با تغییر جزئی در مجموعه داده ها ممکن است به کلی دگرگون شود و در مواردی که تصمیمات رقمی (عددی) مورد نیاز است این نوع درخت تصمیم فازی غیر قابل استفاده می شود. جهت غلبه بر این مشکل بعضی از دانش پژوهان درخت تصمیم فازی را پیشنهاد کرده اند.
الگوریتم ID3 در درخت تصمیم فازی
به عنوان انواع خاصی از الگوریتم های ایجاد درخت تصمیم فازی ، می توان ID3 و CART را نام برد. یکی از متداول ترین روش های یادگیری نمادین، استقرای درخت تصمیم فازی می باشد که نخستین بار به وسیله کوئینلن تحت نام الگوریتم ID3 توسعه داده شد که با عنوان ۳ نوع تشخیص دهنده متعامل شناخته می شود. ID3 یک روش رایج و کارا در تقسیم بندی داده های سمبولیک و نمادین می باشد و برای کار با داده های عددی مناسب نیست.
الگوریتم ID3 برای ایجاد درخت تصمیم فازی اثبات شده است تا یک الگوریتم عمومی و مؤثر، برای ساخت درخت های تصمیم فازی از مجموعه داده های با مقادیر گسسته باشد
D3 و CART دو الگوریتم مهم هستند که با تقسیمات مکرر کار می کنند، ایده اصلی آن ها در تقسیم کردن فضای نمونه به سبک داده کاوی مانند هم است؛ ویژگی مهم این الگوریتم ها آن است که سعی دارند همزمان با بهبود کیفیت تصمیم، اندازه درخت را حداقل کنند، این دو نوع درخت باهم تفاوت هایی نیز دارند ID3 در مورد دامنه های گسسته با مقادیر کم بکار می رود و این مزیت بزرگی هست که قابلیت درک دانش حاصل شده را افزایش می دهد. دیگر ویژگی درخت ID3 آن است که هر صفتی، یک بار در مسیر رویش درخت قرار می گیرد که این امر به قابل فهم بودن دانش حاصل شده کمک می کند. در ساخت درخت تصمیم فازی الگوریتم ID3، هدف ایجاد و ساخت درخت تصمیم فازی با عمق حداقل می باشد.
الگوریتم CART در درخت تصمیم فازی
الگوریتم CART به تقسیم بندی اولیه نیاز ندارد. شرایط بسط درخت براساس آستانه ها (برای دامنه های پیوسته) که بطور دینامیکی محاسبه می شوند، برقرار می شود و صفت مورد نظر در درخت می تواند بیش از یک بار و با آستانه های مختلف بکار رود. به هر حال تعداد آستانه های ممکن برابر با تعداد نمونه های آموزشی است. درخت تصمیم فازی از گره ها و بردارهایی که گره ها را بهم متصل می کنند تشکیل یافته است، اتخاذ تصمیم از گره ریشه شروع میشود و شخص سوالاتی را جهت تعیین اینکه بسط درخت در کدام شاخه ادامه یابد تا زمانی که به گره برگ برسد و تصمیم اتخاذ شود، مطرح می کند ساده ترین درخت ممکن است تنها یک گره برگ داشته باشد.
درخت تصمیم فازی با انتخاب صفتی که مقدار ماکزیمم اطلاعات دو جانبه را کسب می نماید ایجاد می شود. برای ساخت درخت تصمیم ID3 باید از گره ریشه شروع کرد و برای این کار از بین صفات، صفتی را که دارای کمترین مقدار آنتروپی است یا بیشترین اطلاعات از آن بدست می آید، انتخاب و در گره ریشه قرار می دهند.
الگوریتم اجرایی درخت تصمیم ID3
صفات، صفت هدف، نمونه ها در ID3 چگونه تعریف میشوند؟ اینها ملزومات یادگیری درخت تصمیم ID3 است که در زیر به آنها اشاره خواهیم کرد:
نمونه ها: نمونه های آموزشی هستند.
صفت هدف: صفتی است که مقدار آن توسط درخت پیش بینی می شود.
صفات (خصیصه ها): لیستی از دیگر صفاتی هستند که ممکن است با درخت تصمیم تست شوند.
- گره ریشه درخت را بوجود آورید.
- اگر همه نمونه ها مثبت هستند، درخت تک گرهی با علامت (+) حاصل می شود.
- اگر همه نمونه ها منفی هستند، درخت تک گرهی با علامت (-) حاصل می شود.
- اگر صفاتی برای بسط درخت موجود نباشند، به ریشه تک گرهی برگردید با علامت رایج ترین صفت هدف در نمونه ها.
در غیر اینصورت شروع کنید:
- صفتی را که بهترین نمونه طبقه بندی کننده است، A قرار دهید.
- A را صفت تصمیم برای ریشه قرار دهید.
- برای هر مقدار ممکن Vi از A
- شاخه جدید درخت را زیر ریشه اضافه کنید مطابق با صفت آزمون Vi = A
- مثال های (vi) را زیر مجموعه مثال هایی از A که مقدار vi دارند، قرار دهید.
- اگر مثال های Vi خالی هستند
- آنگاه در زیر این شاخه جدید گره برگ را اضافه کنید با علامت رایج ترین صفت هدف
در نمونه ها..
- در غیر اینصورت این شاخه جدید به زیر درخت اضافه می شود.
- پایان
- به ریشه ها برگردید.
آنتروپی در تدوین درخت تصمیم فازی
در تئوری اطلاعات، آنتروپی میزان عدم قطعیت درباره منبع پیام است. آنتروپی برای نخستین بار توسط شانون در سال ۱۹۴۸ ارائه شده و رابطه زیر نشان دهنده فرمول آن می باشد:
H(P(x) | XeX) =-= P(x)log.P(x)
که در آنP x | xeX توزیع احتمال مجموعه محدود X است.
متدولوژی در درخت تصمیم فازی
در این بخش فرآیند ساخت درخت تصمیم فازی با استفاده از تکنیک های جدولی رویکرد کلاسیک و نحوه ایجاد پایگاه دانش و پایگاه قوانین بیان می شود. سپس در مرحله نهایی چگونگی ترکیب آن ها با تئوری مجموعه های فازی و استفاده از سیستم استنتاج فازی تشریح می گردد. فرآیند مذکور، شامل دو قسمت به شرح ذیل می باشد:
الف) طراحی درخت تصمیم آی.دی.
ب) اجرای سیستم استنتاج فازی و تعیین استراتژی
در مرحله الف از الگوریتم اجرایی درخت تصمیم ID3 که توانایی کار با متغیرهای نمادین و رتبه ای را دارد استفاده می کنیم و در مرحله ب از تئوری مجموعه های فازی و نرم افزار MATLAB در جهت تدوین استراتژی های مطلوب استفاده خواهیم کرد. در ادامه به تشریح هر یک از این مراحل پرداخته می شود.
طراحی درخت تصمیم فازی
درخت تصمیم در طی ۴ مرحله ایجاد می شود که هر یک از این مراحل در ذیل تشریح می گردد:
تعیین صفات دخیل در تدوین استراتژی در طراحی درخت تصمیم فازی
در این مرحله عوامل موثر در تدوین استراتژی با توجه به انتخاب هر کدام از تکنیک های جدولی از قبیل ماتریس BCG، ماتریس SPACE، ماتریس GE و تعیین می شوند. این عوامل هر کدام دارای صفات خاصی هستند که بوسیله آنها می توان استراتژیهای مطلوب را تعیین نمود. مقادیر هر یک از این عوامل با استفاده از متغیرهای زبانی و رتبه ای (کم، متوسط، زیاد) و یا طیف های دلخواه دیگر، بیان می شوند. متغیرهایی که مقادیر آن کلمات یا جملات زبان طبیعی یا مصنوعی هستند، متغیرهای زبانی نامیده می شوند. برای مثال صفات موجود در ماتریس SPACE عبارتند از: استحکام صنعتی، توان مالی، مزیت رقابتی و ثبات محیطی که مقادیر هر کدام از آن ها با متغیرهای زبانی دلخواهی چون: کم، متوسط و زیاد بیان می شوند.
ایجاد پایگاه دانش در طراحی درخت تصمیم فازی
پس از تعیین صفات دخیل در امر تدوین استراتژی نوبت به تشکیل پایگاه داده می رسد. در این مرحله، هر صفت (ورودی) را در هر کدام از مقادیر ممکن خود به همراه مقادیر سایر صفات ( در حالت های مختلف) در نظر گرفته و با اخذ نظرات خبرگان، استراتژی های مناسب یا همان کلاس ها را بر اساس مأموریت و چشم انداز سازمان مورد نظر، تعیین می کنیم. بازنمایی دانش و اکتساب دانش در سیستم های خبره ارتباط تنگاتنگی داشته و هر دو از اهمیت به سزایی برخوردار هستند. اخذ دانش می تواند بسیار مشکل و وقت گیر باشد برای همین بعضی ها آن را در روند تولید یک سیستم خبره گلوگاه خوانده اند. در اخذ دانش بطور مستقیم با شخص خبره برای اکتساب دانش او در حوزه مورد نظر در ارتباط می باشیم که این کار آسانی نیست. دو تکنیک اخذ دانش عبارتند از:
- اکتساب دانش مستقیما از شخص یا اشخاص خبره.
- مراجعه به مستندات و اطلاعات آماری که در حوزه مورد نظر موجود است.
از هر دو روش فوق بطور وسیع و گاهی بطور هم زمان در یک سیستم خبره بر پایه قانون استفاده می شود.
طراحی و ساخت درخت تصمیم فازی ID3
در این مرحله ابتدا با استفاده از پایگاه داده که در مرحله قبل تکمیل شده است، آنتروپی هر یک از صفات موجود در ماتریس انتخابی از مرحله ۱ را با توجه به فرمول، جهت تعیین گره ریشه محاسبه و صفت با کمترین آنتروپی در گره ریشه قرار داده می شود. این روند تا رسیدن به گره برگ در هر یک از حالات متغیرهای کلامی مثلا: کم، متوسط و زیاد برای هر یک از صفات، ادامه می یابد. در طی این روند با انتخاب هر یک از صفات به عنوان گره، پایگاه داده کوچکتر با حذف آن گره در شاخه مربوطه تشکیل، مجددا آنتروپی صفات باقی مانده بر اساس پایگاه داده جدید محاسبه می شود و کوچکترین مقدار در گره جدید قرار داده شده و این جریان تا رسیدن به آنتروپی صفر و یا اتمام صفات ادامه می یابد.
نتیجه گیری مقاله درخت تصمیم فازی؛ رویکردی نوین در تدوین استراتژی
رویکرد درخت تصمیم فازی یک رویکرد محاسباتی نرم در هوش مصنوعی و علوم رایانه است. با بررسی صورت بندی آن می توان دریافت که بکار گیری آن در تصمیم گیری های مدیریتی و حل مسائل برنامه ریزی استراتژیک امکان پذیر است. در این مقاله متدولوژی درخت تصمیم فازی به گونه ای تدوین شده است که این دانش علوم رایانه در حوزه های مختلف مدیریتی قابل بکارگیری باشد.
مقاله حاضر، در پی ارائه روشی برای تدوین استراتژی است که بتوان با استفاده از آن مشکلات رویکردهای کلاسیک و سنتی تدوین استراتژی، در برخورد با عدم قطعیت و عدم توانایی در واکنش سریع و بموقع در برابر تغییرات محیطی را بر طرف نمود. رویکرد درخت تصمیم فازی، مدلی سیستماتیک ارائه می کند که سازمان ها با استفاده از آن می توانند در برابر تغییرات آشفته محیطی واکنش سریع داشته باشند. این رویکرد به دلیل فازی بودن؛ توانایی برخورد با عدم قطعیت را دارد و با در نظر گرفتن حالت های مختلف در پایگاه داده، واکنش به موقع در برخورد با تغییرات محیطی دارد.
مزیت دیگر این رویکرد، توانایی تحلیل متغیرهای کلامی است که دانش حاصل از آن برای انسان از قابلیت درک بالایی برخوردار است. عدم نیاز به داده های دقیق، اولویت بندی استراتژیها، تشکیل پایگاه داده با استفاده از ماتریس های رویکرد کلاسیک و حفظ ماهیت اصلی آنها و نیز بهینه سازی صفات دخیل در امر تدوین استراتژی با محاسبه آنتروپی، مزایای دیگر این متد هستند.
در گفتگو ها شرکت کنید.