查理芒格认为，每个学科都是从一个独特的角度去切入了解这个世界，都是一个摸象的瞎子。要对世界有真实的了解，就必须掌握多个学科的核心思维方式。

当然，查理芒格本身是个天才，他能够超快速的学习，从而掌握多个学科的内容，至于我们普通人，则没有这样的精力和智力了。但是，这并不改变查理芒格的多元思维方法的本质，其本质依然是，一个人需要有大量的不同思维模型，才能发展出超常的思维能力。我的能力远不及查理芒格，我也无法像他那样精通各个学科，但我依然可以学习他的思维发展路径——通过大量思维模型来提高自己的思维能力。

芒格学院对思维模型进行了汇总。希望能够让读者有一个学习的纲领性认知。这里主要研究思维方法及学习策略。在讲述这些思维模型的时候，不仅会讲述模型本身，也会使用深度理解策略、认知阶梯策略等学习策略，对思维模型进行加工。

所以，大家可以看到的其实有两个维度的东西：思维模型本身，以及我对各种学习策略的使用——这不仅是一份思维方法的教材，也是一份学习策略的教材。

04

决策树思维模型

面对不确定性，如何做决策

人生每天每时每刻都处于不断选择的状态，小到午餐吃什么，大到在哪里买房。

任何一个选择都可能会产生蝴蝶效应，正确的事半功倍，错误的事倍功半。

例子：男怕入错行女怕嫁错郎

毕业后10年的同学聚会，因为各自的选择不同，价值观不同；

有的人商业顺风顺水、大富大贵；

有的人仕途平步青云，扶摇直上；

有的人看破红尘，皈依佛门；

有的人无所适从，一成不变，不断重复以前的自己。

当时都在一个起跑线上，为什么过了10年就发生了这么大的变化呢，可能就是当初的一个选择，造就了以后不同的人生走向。

那有没有一个工具可以帮助我们做出正确的选择？

答案是：有的。顶级高手都喜欢使用的一款工具：决策树。

一、认识决策树思维模型

1.决策树思维模型定义

决策树是一种十分常用的分类方法。决策树是在已知各种情况发生概率的基础上，通过构成决策树来求取净现值的期望值大于等于零的概率，评价项目风险，判断其可行性的决策分析方法，是直观运用概率分析的一种图解法。

2.决策树思维模型用途

1、决策树其实多应用于企业经营管理中，有专业软件和算法，非常复杂，属于机器学习的工具；

2、我们取其精华，应用到个人的生活、工作中，辅助我们做一些重大的决策；

3、决策树的思维模型相当科学、相当客观、相当理性，在下面的分享中会一一举例阐述。

二、决策树学习

决策树是一个树结构，可以是二叉树或非二叉树，在机器学习/数据挖掘中，使用决策树作为预测模型来对预测样本进行分类，这种决策也叫分类树或者回归树。

决策树的核心部分是：

由节点和有向边组成

节点由内部节点和叶子节点组成

内部节点表示一个特征，叶子节点表示一个类

决策树的使用过程是，从根节点开始，有向到达内部节点进行特征判断，并按照值选择输出分支，直到到达叶子节点，叶子节点存放的类别作为决策结果

决策树表示如下（买瓜）：

构建决策树的先决条件：

有明确的分类目标

对样本数据有明确的特征项

特征项有两种以上的决策结果

需要明确的是，数据挖掘中的决策树是根据样本数据事先构建出来的，然后输入其他同类实例达到分类效果

决策路径演示：

纹理？（稍糊）触感？（硬滑）好瓜

纹理？（清晰）根蒂？（稍蜷）色泽？（浅白）好瓜

脑瓜灵光的同学不难发现一个问题，为什么根节点是“纹理”而不是“根蒂”？，这是以什么标准来选择特征的？

这就是决策树的关键步骤：分裂属性

三、应用决策树的五个条件

四、决策树的应用

用决策树其实也很简单，主要三个步骤：

1、画决策树（画出分支）；

2、分析各种几率和收益损失；

3、反向求解（从末端开始向前推导，确认每个分支的价值，然后在每个结点处找出自己应该做的选择）。

决策树的4个作用：

1、帮助我们选择平均回报最高的决策，

2、根据别人的选择推测他人对事件发生几率的预测。

3、推测价值，或是别人认为的价值。

4、判断信息价值。

例子：

决策树作用：帮助我们选择平均回报最高的决策。

例1：一次分叉决策树。

假设现在2点，你要去做火车，3点的票元，但是40%的概率赶不上，4点的票元。应该怎么买？

算一下期望，买3点的票期望：=0.6*+0.4*=元，比少，应该买三点的票。

画成决策树就是：

？位置的数值，由两个分支结点可以算出来为元。所以选3点的票，更高概率能省钱。

例2：两次分叉决策树。

现在你想要参加一场比赛，奖金有元。有初选和决赛两个环节。

初选，人参加，报名费20元。

决赛，10人进决赛，需要40元准备材料。

假设每个人的概率都相同，你应该参加初选和决赛么？

初选人，所以参加初选进决赛的概率=1/=0.05，没进的概率0.9。

决赛10人，所以参加决赛夺冠的概率=0.1，收益-60元，没夺冠的概率0.9，损失等于两次费用60元。

决策树：

可以先算出参加决赛的期望：B=0.1*-0.9*60=，对比损失20元，应该参加决赛。

然后可以算出参加初赛的期望：A=0.05-0.95*20=3，应该参加初赛。

如果参赛的人再多一点点，比如人，初赛胜出概率变成0.04，期望A的结果就变成了-1.6。这时候就不该应参与了。

五、总结

理性分析

创建达到目标的规划

决策树建立并用来辅助决策。在生活中，工作中我们碰到一些比较繁琐的或不确定因素较多的问题时，我们可以尝试自己建设一个或者模仿一个决策树，结合决策树得出的客观数据，利用自己丰富的经验、学习或请教高人策略，综合评估后得出最科学、最客观、最理性的决策。

决策树的优点：

（1）具有可读性，如果给定一个模型，那么根据决策树很容易推理出相应的逻辑表达。

（2）分类速度快，能在相对短的时间内对大型数据源做出可行且效果良好的结果。

决策树的缺点：

对未知的测试数据未必有好的分类、泛化能力，即可能发生过拟合现象，此时可采用剪枝或随机森林。