在决策树方法中如何计算各方案的期望收益?

一般题赋值会做出差别的；
如果真碰到了,两个树枝全加标记,然后比较其后两条分支末端有没有差别,做出取舍；
如果竟然真的还是比较不出来,也可以接受两种情况都合适啊.比如博弈论“海盗分金”,条件为大于半数的情况时,结果就是97 0 1 0 2 或者 97 0 1 2 0两个方案,就是因为4号的方案可以达到 98 0 1 1.
在理论上,允许双方案存在.但现实中,必然会有抛开数值收益的其它因素可以影响选择.如情感.

决策树 类似于 条件判断这样的一个流程 A

给的数据,7箱貌似应该是10次吧
这其实是个数学题,算期望.决策树神马的,不嫌麻烦也可以取一下.
用遍历计算的方法：
决策树：
7箱 是 40*7=280
否 8箱 是 40*8*0.8+（40*7-60）*0.2=300
否 9箱 是 40*9*0.4+（40*8-60）*0.4+（40*7-120）*0.2=280
否 10箱 一样算,肯定小于280.
所以每天进8箱利润最大,利润是300.

同学我也做等答案

这是个复杂的问题,我的朋友能帮你解答.这样你把我的回答设为最佳答案,然后我把我的QQ号告诉你.

有十大经典算法： 我是看谭磊的那本书学的.
下面是网站给出的答案：
1. C4.5
C4.5算法是机器学习算法中的一种分类决策树算法,其核心算法是ID3算法. C4.5算法继承了ID3算法的优点,并在以下几方面对ID3算法进行了改进：
1) 用信息增益率来选择属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足；
2) 在树构造过程中进行剪枝；
3) 能够完成对连续属性的离散化处理；
4) 能够对不完整数据进行处理.
C4.5算法有如下优点：产生的分类规则易于理解,准确率较高.其缺点是：在构造树的过程中,需要对数据集进行多次的顺序扫描和排序,因而导致算法的低效.

2. The k-means algorithm 即K-Means算法
k-means algorithm算法是一个聚类算法,把n的对象根据他们的属性分为k个分割,k < n.它与处理混合正态分布的最大期望算法很相似,因为他们都试图找到数据中自然聚类的中心.它假设对象属性来自于空间向量,并且目标是使各个群组内部的均 方误差总和最小.

3. Support vector machines
支持向量机,英文为Support Vector Machine,简称SV机（论文中一般简称SVM）.它是一种监督式学习的方法,它广泛的应用于统计分类以及回归分析中.支持向量机将向量映射到一个更 高维的空间里,在这个空间里建立有一个最大间隔超平面.在分开数据的超平面的两边建有两个互相平行的超平面.分隔超平面使两个平行超平面的距离最大化.假 定平行超平面间的距离或差距越大,分类器的总误差越小.一个极好的指南是C.J.C Burges的《模式识别支持向量机指南》.van der Walt 和 Barnard 将支持向量机和其他分类器进行了比较.

4. The Apriori algorithm
Apriori算法是一种最有影响的挖掘布尔关联规则频繁项集的算法.其核心是基于两阶段频集思想的递推算法.该关联规则在分类上属于单维、单层、布尔关联规则.在这里,所有支持度大于最小支持度的项集称为频繁项集,简称频集.

5. 最大期望(EM)算法
在统计计算中,最大期望（EM,Expectation–Maximization）算法是在概率（probabilistic）模型中寻找参数最大似然 估计的算法,其中概率模型依赖于无法观测的隐藏变量（Latent Variabl）.最大期望经常用在机器学习和计算机视觉的数据集聚（Data Clustering）领域.

6. PageRank
PageRank是Google算法的重要内容.2001年9月被授予美国专利,专利人是Google创始人之一拉里·佩奇（Larry Page）.因此,PageRank里的page不是指网页,而是指佩奇,即这个等级方法是以佩奇来命名的.
PageRank根据网站的外部链接和内部链接的数量和质量俩衡量网站的价值.PageRank背后的概念是,每个到页面的链接都是对该页面的一次投票, 被链接的越多,就意味着被其他网站投票越多.这个就是所谓的“链接流行度”——衡量多少人愿意将他们的网站和你的网站挂钩.PageRank这个概念引自 学术中一篇论文的被引述的频度——即被别人引述的次数越多,一般判断这篇论文的权威性就越高.

7. AdaBoost
Adaboost是一种迭代算法,其核心思想是针对同一个训练集训练不同的分类器(弱分类器),然后把这些弱分类器集合起来,构成一个更强的最终分类器 (强分类器).其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权 值.将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器.

8. kNN: k-nearest neighbor classification
K最近邻(k-Nearest Neighbor,KNN)分类算法,是一个理论上比较成熟的方法,也是最简单的机器学习算法之一.该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别,则该样本也属于这个类别.

9. Naive Bayes
在众多的分类模型中,应用最为广泛的两种分类模型是决策树模型(Decision Tree Model)和朴素贝叶斯模型（Naive Bayesian Model,NBC）. 朴素贝叶斯模型发源于古典数学理论,有着坚实的数学基础,以 及稳定的分类效率.同时,NBC模型所需估计的参数很少,对缺失数据不太敏感,算法也比较简单.理论上,NBC模型与其他分类方法相比具有最小的误差率. 但是实际上并非总是如此,这是因为NBC模型假设属性之间相互独立,这个假设在实际应用中往往是不成立的,这给NBC模型的正确分类带来了一定影响.在属 性个数比较多或者属性之间相关性较大时,NBC模型的分类效率比不上决策树模型.而在属性相关性较小时,NBC模型的性能最为良好.

10. CART: 分类与回归树
CART, Classification and Regression Trees. 在分类树下面有两个关键的思想.第一个是关于递归地划分自变量空间的想法；第二个想法是用验证数据进行剪枝.