A. 用決策樹的方法對案例進行決策。
決策樹分析法是一種運用概率與圖論中的樹對決策中的不同方案進行比較，從而獲得最優方案的風險型決策方法。圖論中的樹是連通且無迴路的有向圖，入度為0的點稱為樹根，出度為0的點稱為樹葉，樹葉以外的點稱為內點。決策樹由樹根(決策節點)、其他內點(方案節點、狀態節點)、樹葉(終點)、樹枝(方案枝、概率枝)、概率值、損益值組成。
B. R語言怎麼做CART演算法的決策樹
決策樹的典型演算法有ID3，C4.5，CART等。國際權威的學術組織，數據挖掘國際會議ICDM （the IEEE International Conference on Data Mining）在2006年12月評選出了數據挖掘領域的十大經典演算法中，C4.5演算法排名第一。
C. 如何用R語言實現決策樹
可以使用rpart包，或者party包或者RWeka包
D. 為什麼用R語言做決策樹分不出樹來
如果使用rpart()構造的決策樹，可以用plot畫決策樹 ，用text添加標注 參見幫助文檔： library(rpart) fit
E. 如何運用決策樹進行決策分析
決策樹分析法是通過決策樹圖形展示臨床重要結局，明確思路，比較各種備選方案預期結果進行決策的方法。
決策樹分析法通常有6個步驟。
第一步：明確決策問題，確定備選方案。對要解決的問題應該有清楚的界定，應該列出所有可能的備選方案。
第二步：繪出決策樹圖形。決策樹用3種不同的符號分別表示決策結、機會結、結局結。決策結用圖形符號如方框表示，放在決策樹的左端，每個備選方案用從該結引出的]個臂(線條)表示；實施每一個備選方案時都司能發生一系列受機遇控制的機會事件，用圖形符號圓圈表示，稱為機會結，每一個機會結司以有多個直接結局，例如某種治療方案有3個結局(治癒、改善、葯物毒性致死)，則機會結有3個臂。最終結局用圖形符號如小三角形表示，稱為結局結，總是放在決策樹最右端。從左至右機會結的順序應該依照事件的時間先後關系而定。但不管機會結有多少個結局，從每個機會結引出的結局必須是互相排斥的狀態，不能互相包容或交叉。
第三步：明確各種結局可能出現的概率。可以從文獻中類似的病人去查找相關的概率，也可以從臨床經驗進行推測。所有這些概率都要在決策樹上標示出來。在為每一個機會結發出的直接結局臂標記發生概率時，必須注意各概率相加之和必須為1.0。
第四步：對最終結局用適宜的效用值賦值。效用值是病人對健康狀態偏好程度的測量，通常應用0-1的數字表示，一般最好的健康狀態為1，死亡為0。有時可以用壽命年、質量調整壽命年表示。
第五步：計算每一種備遠方案的期望值。計算期望值的方法是從"樹尖"開始向"樹根"的方向進行計算，將每一個機會結所有的結局效用值與其發生概率分別相乘，其總和為該機會結的期望效用值。在每一個決策臂中，各機會結的期望效用值分別與其發生概率相乘，其總和為該決策方案的期望效用值，選擇期望值最高的備選方案為決策方案。
第六步：應用敏感性試驗對決策分析的結論進行測試。敏感分析的目的是測試決策分析結論的真實性。敏感分析要回答的問題是當概率及結局效用值等在一個合理的范圍內變動時，決策分析的結論會不會改變。
F. r語言 決策樹 rpart怎麼畫決策樹
如果使用rpart()構造的決策樹，可以用plot畫決策樹 ，用text添加標注
參見幫助文檔：
library(rpart)
fit <- rpart(Kyphosis ~ Age + Number + Start, data = kyphosis)
plot(fit)
text(fit, use.n = TRUE)
G. 求助，R語言做決策樹
你可以利用R軟體中{RWeka}包的J48()函數。參考文獻：R. Quinlan (1993). C4.5: Programs for Machine Learning. Morgan Kaufmann Publishers, San Mateo, CA.
H. 我要對股票市場做決策樹的模型，可是不會數據預處理，誰可以幫幫我啊，時間緊急啊
數據預處理可以通過很多股票軟體進行數據生成，然後通過EXCEL軟體進行處理，不過很耗時間