Как построить дерево решений в ворде
Применимо к: SQL Server Analysis Services Azure Analysis Services Power BI Premium
интеллектуальный анализ данных является устаревшим в SQL Server Analysis Services 2017 и будет прекращен в будущем выпуске. Документация не обновлена для устаревших функций. Дополнительные сведения см. в статье Analysis Services обратная совместимость.
Алгоритм дерева принятия решений (Майкрософт) — это гибридный алгоритм, включающий различные методы создания дерева и поддерживающий несколько аналитических задач, включая регрессию, классификацию и ассоциацию. Алгоритм дерева принятия решений (Майкрософт) поддерживает моделирование как дискретных, так и непрерывных атрибутов.
В данном разделе описывается реализация алгоритма и настройка его поведения для различных задач. Приводятся также ссылки на дополнительную информацию о запросах к модели дерева принятия решений.
Реализация алгоритма дерева принятия решений
Алгоритм дерева принятия решений (Майкрософт) применяет схему Байеса для обучения моделей причинного взаимодействия, получая приблизительные апостериорные распределения для моделей. Подробное описание этого подхода можно посмотреть на веб-сайте Microsoft Research в документе Структуры и параметры обучения.
Методология оценки информационной ценности априорных вероятностей , необходимых для обучения, основана на предположении эквивалентности правдоподобия. Предполагается, что данные не должны способствовать различению сетевых структур, которые в противном случае представляют равносильные утверждения условной независимости. Предполагается, что у каждого варианта имеется одна байесова априорная сеть и один показатель достоверности для этой сети.
С помощью этих априорных сетей алгоритм вычисляет относительные апостериорные вероятности сетевых структур на основе текущих обучающих данных и выявляет сетевые структуры с наиболее высокими апостериорными вероятностями.
Алгоритм дерева принятия решений (Майкрософт) использует различные методы для вычисления наилучшего дерева. Выбор метода зависит от задачи — это может быть линейная регрессия, классификация или анализ взаимосвязей. Единая модель может содержать несколько деревьев для различных прогнозируемых атрибутов. Более того, каждое дерево может содержать несколько ветвей в зависимости от того, сколько атрибутов и значений содержится в данных. Форма и глубина дерева, построенного на основе конкретной модели, зависит от метода количественной оценки и от других использованных параметров. Изменения в параметрах могут также влиять на разбиение узлов.
Построение дерева
Когда алгоритм дерева принятия решений (Майкрософт) создает набор возможных входных значений, он проводит feature selection для выявления атрибутов и значений, предоставляющих больше всего информации, и удаляет из числа рассматриваемых слишком редкие значения. Этот алгоритм также группирует значения в корзиныдля создания группирований величин, которые можно обрабатывать вместе для оптимизации производительности.
Дерево строится посредством определения корреляции между входом и целевым выходом. После проведения корреляции для всех атрибутов алгоритм выявляет единственный атрибут, который лучше всего разделяет результирующие выходы. Эта точка наилучшего разделения измеряется с помощью уравнения, которое оценивает прирост информации. Атрибут, имеющий наилучшую оценку для прироста информации, используется для разбиения вариантов на подмножества, которые затем рекурсивно анализируются тем же алгоритмом, пока дальнейшие разбиения дерева не станут невозможными.
Точное уравнение для оценки прироста информации зависит от набора параметров, применявшихся при создании алгоритма, типа данных прогнозируемого столбца и типа входных данных.
Дискретные и непрерывные входные данные
Если дискретны и прогнозируемый атрибут, и входные данные, подсчет количества результатов на каждый вход сводится к созданию матрицы и вычислению оценок для каждой ее ячейки.
Однако если прогнозируемый атрибут дискретен, а входные данные непрерывны, вход непрерывных столбцов автоматически дискретизируется. Можно принять значение по умолчанию, а Analysis Services найти оптимальное количество ячеек, или управлять способом дискретизации непрерывных входных данных, задав DiscretizationMethod Свойства и DiscretizationBucketCount . Дополнительные сведения см. в разделе Изменение дискретизации столбца в модели интеллектуального анализа данных.
Для непрерывных атрибутов алгоритм использует линейную регрессию для определения места разбиения дерева решений.
Если прогнозируемый атрибут относится к непрерывному числовому типу данных, выбор компонентов применяется также и к выходам для снижения возможного числа результатов и ускорения построения модели. Настроив параметр MAXIMUM_OUTPUT_ATTRIBUTES, можно изменить пороговое значение для выбора компонентов и таким образом увеличить или снизить число возможных величин.
Методы количественной оценки и выбор компонентов
В алгоритме дерева принятия решений (Майкрософт) предусмотрены три формулы для вычисления прироста информации: энтропия Шеннона, метод Байеса с априорной оценкой K2 и байесовская сеть с однородной априорной оценкой Дирихле. Все три метода широко применяются для интеллектуального анализа данных. Рекомендуется поэкспериментировать с различными параметрами и методами количественной оценки, чтобы понять, какие из них дают наилучшие результаты. Дополнительные сведения об этих методах количественной оценки см. в разделе Feature Selection.
Все Analysis Services алгоритмы интеллектуального анализа данных автоматически используют выбор компонентов для улучшения анализа и снижения нагрузки при обработке. Метод, применяемый для выбора компонентов, зависит от алгоритма, который был использован при создании модели. Выбором компонентов в модели дерева решений управляют следующие параметры алгоритма: MAXIMUM_INPUT_ATTRIBUTES и MAXIMUM_OUTPUT.
Алгоритм Байеса с априорной оценкой K2
Масштабируемость и производительность
Классификация является важной стратегией интеллектуального анализа данных. Обычно количество информации, нужное для классификации вариантов, растет прямо пропорционально количеству входных записей. Это ограничивает объем данных, поддающихся классификации. Алгоритм дерева принятия решений (Майкрософт) использует следующие методы для решения упомянутых выше проблем, улучшения производительности и устранения ограничений памяти.
Выбор компонентов для оптимизации выбора атрибутов.
Вычисление байесовских оценок для управления ростом дерева.
Оптимизация разделения на корзины для непрерывных атрибутов.
Динамическое группирование входных значений для определения самых важных данных.
Алгоритм дерева принятия решений (Майкрософт) — быстрый, хорошо масштабируемый алгоритм, созданный для удобства параллелизации, а это означает, что все процессоры системы могут работать вместе для создания единой согласованной модели. Сочетание этих характеристик делает классификатор на основе дерева принятия решений идеальным средством для интеллектуального анализа данных.
Если существуют жесткие ограничения на производительность, можно попробовать улучшить время обработки в процессе обучения модели дерева принятия решений с помощью следующих методов. Однако нужно хорошо понимать, что отбрасывание атрибутов для улучшения производительности обработки изменит результаты модели, и, возможно, сделает ее менее репрезентативной для всей совокупности данных.
Увеличение параметра COMPLEXITY_PENALTY для ограничения роста дерева.
Ограничение количества элементов в модели взаимосвязей для ограничения количества создаваемых деревьев.
Увеличение параметра MINIMUM_SUPPORT во избежание создания лжевзаимосвязи.
Сокращение количества дискретных значений всех атрибутов до 10 или менее. Можно попробовать группировать значения по-разному в разных моделях.
вы можете использовать средства просмотра данных, доступные в SQL Server 2017 Integration Services (SSIS), чтобы визуализировать распределение значений в данных и правильно сгруппировать значения перед началом интеллектуального анализа данных. Дополнительные сведения см. в статье Задачи профилирования и просмотра данных. Можно также исследовать, группировать и переразмечать данные в программе Microsoft Excel с помощью надстроек интеллектуального анализа данных для Excel 2007.
Настройка алгоритма дерева принятия решений
Алгоритм дерева принятия решений (Майкрософт) поддерживает параметры, влияющие на производительность и точность итоговой модели интеллектуального анализа данных. Можно также изменять способ обработки данных, устанавливая на столбцах модели интеллектуального анализа данных или структуры интеллектуального анализа данных флаги модели.
Задание параметров алгоритма
В следующей таблице описаны параметры, которые можно использовать с алгоритмом дерева принятия решений (Майкрософт).
COMPLEXITY_PENALTY
Управляет ростом дерева решений. Низкое значение увеличивает количество разбиений, а высокое количество — уменьшает. Значение по умолчанию основано на количестве атрибутов для конкретной модели, как описано в следующем списке.
Для атрибутов с 1 до 9 значением по умолчанию является 0,5.
Для атрибутов с 10 до 99 значением по умолчанию является 0,9.
Для 100 или более атрибутов значением по умолчанию является 0,99.
FORCE_REGRESSOR
Вынуждает алгоритм использовать указанные столбцы в качестве регрессоров, не обращая внимания на важность столбцов, вычисленную алгоритмом. Этот параметр используется только для деревьев решений, прогнозирующих непрерывный атрибут.
Установив этот параметр, можно заставить алгоритм попытаться использовать данный атрибут в качестве регрессора. Однако будет ли этот атрибут действительно использован как регрессор в результирующей модели, зависит от результатов анализа. Можно выяснить, какие столбцы были использованы в качестве регрессора, с помощью запроса содержимого модели.
[Доступно только в некоторых выпусках SQL Server]
MAXIMUM_INPUT_ATTRIBUTES
Определяет количество входных атрибутов, которые алгоритм может обработать перед вызовом выбора компонентов.
Значение по умолчанию — 255.
Установите значение 0, чтобы отключить выбор компонентов.
[Доступно только в некоторых выпусках SQL Server]
MAXIMUM_OUTPUT_ATTRIBUTES
Определяет количество выходных атрибутов, которые алгоритм может обработать перед вызовом выбора компонентов.
Значение по умолчанию — 255.
Установите значение 0, чтобы отключить выбор компонентов.
[Доступно только в некоторых выпусках SQL Server]
MINIMUM_SUPPORT
Определяет минимальное количество конечных вариантов, необходимых для формирования разбиения в дереве решений.
Значение по умолчанию равно 10.
Для очень больших наборов данных это значение, возможно, придется увеличить, чтобы избежать чрезмерно тщательного обучения.
SCORE_METHOD
Определяет метод, используемый для вычисления коэффициента разбиения. Доступны следующие варианты:
Значение по умолчанию — 4 (или BDE).
Обзор трех данных методов количественной оценки см. в разделе Feature Selection.
SPLIT_METHOD
Определяет метод, используемый для разбиения узла. Доступны следующие варианты:
ID | Имя |
---|---|
1 | Binary: указывает, что независимо от реального числа значений атрибута дерево следует разбить на две ветви. |
2 | Complete: указывает, что в дереве можно создавать столько разбиений, сколько существует значений атрибута. |
3 | Both: указывает, что службы Analysis Services могут определять, какое разбиение лучше использовать — бинарное или полное. |
По умолчанию используется значение 3.
Флаги моделирования
Алгоритм дерева принятия решений (Майкрософт) поддерживает следующие флаги моделирования. Чтобы задать порядок обработки в ходе анализа значений в каждом столбце, во время создания структуры или модели интеллектуального анализа данных определяются флаги модели. Дополнительные сведения см. в разделе Флаги моделирования (интеллектуальный анализ данных).
Регрессоры в моделях дерева принятия решений (Microsoft)
Даже если не используется алгоритм линейной регрессии (Майкрософт), любая модель дерева принятия решений, имеющая непрерывные числовые входные и выходные данные, потенциально может содержать узлы, представляющие регрессию на непрерывном атрибуте.
Не обязательно указывать, что столбец непрерывных числовых данных представляет собой регрессор. Алгоритм дерева принятия решений (Майкрософт) будет автоматически использовать столбец в качестве потенциального регрессивного показателя и секционировать набор данных на регионы с осмысленными шаблонами, даже если для столбца не задан флаг РЕГРЕССии.
Однако можно применить параметр FORCE_REGRESSOR, чтобы гарантировать использование конкретного регрессора в алгоритме. Этот параметр может использоваться только с деревьями принятия решений (Майкрософт) и алгоритмами линейной регрессии (Майкрософт). Если пользователем задан флаг модели, алгоритм попытается найти формулы регрессии в форме a*C1 + b*C2 + . для подгонки шаблонов к узлам дерева. Вычисляется сумма остатков, и, если отклонение слишком велико, принудительно выполняется разбиение дерева.
Например, если осуществляется прогноз поведения клиента в процессе покупки с использованием дохода, Income , в качестве атрибута и на соответствующем столбце устанавливается флаг модели REGRESSOR, то в алгоритме вначале предпринимается попытка выполнить подгонку значений Income с применением стандартной формулы регрессии. Если отклонение слишком велико, то происходит отказ от применения формулы регрессии, и разбиение дерева осуществляется по какому-то другому атрибуту. Затем алгоритм дерева решений пытается осуществить подгонку регрессора к доходу в каждой из ветвей, полученных после разбиения.
Требования
Модель дерева решений должна содержать ключевой столбец, входные столбцы и по крайней мере один прогнозируемый столбец.
Алгоритм дерева принятия решений (Майкрософт) поддерживает определенные входные столбцы и прогнозируемые столбцы, перечисленные в следующей таблице. Дополнительные сведения о том, что означают типы содержимого при использовании в модели интеллектуального анализа данных, см. в разделе типы содержимого (интеллектуальный анализ).
Типы содержимого Cyclical и Ordered поддерживаются, но алгоритм обрабатывает их как дискретные величины и не производит их особой обработки.
Видео: Краткое руководство по PrecisionTree - Шаг 1: Планирование модели дерева решений (Май 2022).
Деревья решений стали неотъемлемым элементом современной бизнес-стратегии сегодня. Используя дерево решений, бизнес-лидеры могут ежедневно изучать широкий спектр сценариев, решений и вариантов, которые влияют на их успех. Более всего, дерево решений обеспечивает осведомленность на макроуровне о любом конкретном сценарии и подчеркивает как риски, так и выгоды от множества различных проблем и возможностей.
кредит: gpointstudio / iStock / GettyImages
Учитывая визуальную природу дерева решений, многие люди полагаются на стандартное программное обеспечение для их создания. На самом деле, вы можете начать создавать дерево решений в Microsoft Word без какого-либо специального обучения или знаний. Обладая базовыми знаниями об этой программе, вы можете начать создавать свое первое дерево решений за считанные секунды.
Параметры вашего дерева решений
Чтобы создать дерево решений в Word, вы воспользуетесь различными доступными вам инструментами фигур. Вообще говоря, дерево решений опирается на линии, квадраты, круги и треугольники. Принимая во внимание, что квадраты представляют конкретные решения, круги представляют неопределенные результаты, а треугольники представляют окончательные результаты как продукт результатов и решений, принятых ранее. Линии будут использоваться для соединения различных элементов дерева решений. После создания макета текстовые инструменты можно использовать для завершения дерева решений.
Построение дерева решений
Изучение шаблонов дерева решений
Возможно, самый простой способ создания дерева решений в Microsoft Word - это использовать предварительно разработанный шаблон. Ряд компаний в Интернете предоставляют выбор шаблонов дерева решений либо за небольшую плату, либо полностью бесплатно. Эти шаблоны предназначены для того, чтобы пользователи могли быстро вводить текст в рамках более широкой предварительно установленной иерархии дерева решений. Хотя конкретные детали дизайна дерева решений могут быть недоступны пользователям из-за фиксированного характера шаблона, его содержимое будет настраиваться на 100%. Для тех, кто не нуждается в создании собственного дерева решений и просто хочет использовать его функциональность, это, безусловно, правильный выбор.
Как создать дерево решений с помощью Visio
Microsoft Visio - это приложение, которое позволяет пользователям создавать диаграммы нескольких типов, используя различные соединительные формы, а также диаграммы, графики, карты и блок-схемы. Один тип .
Как сделать дерево решений в Excel
Дерево решений может помочь вам принимать решения, будь то повседневные решения или те, которые имеют долгосрочные последствия. Деревья решений могут иметь много ветвей (каждая из которых представляет .
Как создать дерево решений в Excel 2007
Дерево решений отображает ряд решений и возможных результатов каждого решения. Он включает в себя вероятности каждого результата и оценочную стоимость каждого решения. .
Видео: Вставка диаграмм Smart Art в Word 2007 (24/40) (Май 2022).
Как и в лесу, полном деревьев, у древовидных диаграмм много путей, и, как у настоящих деревьев, они бывают разных форм. Хотя Microsoft Word ни в коем случае не является полнофункциональным создателем древовидных диаграмм, программное обеспечение полностью способно создавать базовые древовидные диаграммы, независимо от того, планируете ли вы сложную математическую задачу или хотите нарисовать семейное древо. Итак, будьте готовы посадить семена цифровых диаграмм.
кредит: широносов / iStock / GettyImages
Что такое древовидная диаграмма?
Древовидные диаграммы представляют собой визуальные представления ряда событий, демонстрирующие различные результаты, основанные на различных последовательностях потенциальных событий. Вот где появляется часть «дерева»; каждый потенциальный путь выглядит как отдельная ветвь дерева.
Поскольку древовидные диаграммы так эффективно работают с широким спектром возможных результатов, они пригодятся при работе с вероятностными упражнениями.
SmartArt: древовидные диаграммы в Word
Если вы планируете создать древовидную диаграмму в Word 2016 или Word 2019, которые являются частью соответствующих программных пакетов Office 365, SmartArt - это функция, которую вы ищете. Думайте о SmartArt как об интерактивном редактируемом клипарте, который вы можете вставить в документ Word. Коллекция шаблонов древовидных диаграмм дает множество возможностей для создания организационной диаграммы.
Чтобы начать, нажмите «Вставить» на панели инструментов Word и нажмите кнопку «SmartArt», чтобы открыть графическую галерею SmartArt. Отсюда вы можете выбрать из более чем 200 начальных шаблонов, которые включают списочные диаграммы, диаграммы процессов и иерархические диаграммы. В частности, иерархические диаграммы являются хорошим местом для начала древовидной диаграммы. Выберите один и добавьте текст в каждое поле на диаграмме, щелкнув поле, набрав текст и нажав «Ввод».
Секреты и уловки
Существует большая вероятность того, что шаблоны древовидных диаграмм в SmartArt не будут содержать именно того количества веток и блоков, которое вам нужно, а это значит, что нужно немного редактировать. Чтобы внести изменения, выберите поле на диаграмме, затем перейдите в «Инструменты SmartArt» на вкладке «Дизайн» в Word или выберите вкладку «Дизайн Smart Art» в зависимости от версии Word. Чтобы вставить поле, следующее за выбранным, нажмите «Добавить форму после». Чтобы добавить один перед ним, выберите «Добавить фигуру перед». «Добавить фигуру выше» и «Добавить фигуру ниже» добавляют поля выше и ниже текущего выделения. Точно так же вы можете перемещать выбранное поле, нажимая такие опции, как «Переместить вверх», «Переместить вниз», «Продвинуть», «Понизить» и так далее.
На той же вкладке «Дизайн», выбрав «Макет», вы можете изменить, так сказать, выбранный блок на стволе дерева, так сказать, чтобы выровнять блоки по левому или правому краю. Вы даже можете нажать «Изменить цвета», чтобы добавить немного визуального изящества в свое творение.
SmartArt не является эксклюзивной для Word - эта функция также доступна в Excel, Outlook и PowerPoint - поэтому не стесняйтесь немного расширить свои знания в области построения диаграмм.
Как создать точечную диаграмму с помощью электронной таблицы Microsoft Word
Узнайте, как создавать, редактировать и настраивать XY-диаграмму рассеяния прямо в Word - не нужно открывать Excel.
Как преобразовать диаграмму Visio в диаграмму PowerPoint
Visio - это программный пакет Microsoft для создания диаграмм. Он не включен в Microsoft Office, но полностью совместим с программами Office, такими как PowerPoint. Вы можете.
Как создать древовидную структуру для dropbox в Firefox или Chrome
Если вы используете Dropbox через его веб-сайт, система навигации по файлам может быть немного медленной, громоздкой и в целом раздражающей . Вот как добавить к ней древовидную структуру с помощью Google Chrome или Firefox.
Видео: Краткое руководство по PrecisionTree - Шаг 1: Планирование модели дерева решений (Май 2022).
Дерево решений отображает ряд решений и возможных результатов каждого решения. Он включает в себя вероятности каждого результата и оценочную стоимость каждого решения. Дерево решений помогает пользователю определить возможные альтернативы и взвесить каждый возможный результат, чтобы найти оптимальное решение для рассматриваемой проблемы. Узнайте, как создать дерево решений с помощью горизонтальной маркированной иерархической диаграммы в Microsoft Excel.
кредит: Purestock / Purestock / Getty Images
Шаг 1
Откройте новую книгу в Microsoft Excel. Перейдите на вкладку «Вставка» и нажмите кнопку «SmartArt». Появится окно с заголовком «Выберите рисунок SmartArt». Щелкните категорию «Иерархия» и выберите дизайн «Горизонтальная маркированная иерархия». Нажмите «ОК».
Шаг 2
Введите имя решения рядом с первой точкой в окне, которое гласит «Введите текст здесь». Введите что-то вроде «Инвестиции», если вы принимаете инвестиционное решение.
Шаг 3
Введите названия каждого параметра в пунктах с отступом под маркером принятия решения. Например, вы инвестируете в небольшой розничный магазин и имеете возможность либо работать там самостоятельно, либо нанимать сотрудника для ведения бизнеса. Вы должны ввести «Не нанимать сотрудника» и «Нанимать сотрудника» в разделе «Инвестиции». Оцените каждый вариант и определите, достигнут ли результат, есть ли неопределенность или необходимо принять другое решение.
Шаг 4
Вставьте поля там, где нужно принять другое решение, и кружками для неопределенности. Если есть результат, ничего не нужно делать. Ящики можно добавить, нажав «Ввод» и «Вкладка» после точки с маркером, в которую вы хотите добавить ящик. Например, чтобы изменить форму круга, щелкните правой кнопкой мыши форму и выберите «Изменить форму». Выберите круг.
Шаг 5
Введите вероятности в ближайшей ячейке, где соединяются круги и линии. Вероятности представляют процент, который вы ожидаете получить. Введите приблизительные значения, такие как значения в долларах, в ближайшей ячейке, где соединены поля и строки. Они представляют собой оценочную стоимость решения, если оно принято.
Как создать дерево решений с помощью Visio
Microsoft Visio - это приложение, которое позволяет пользователям создавать диаграммы нескольких типов, используя различные соединительные формы, а также диаграммы, графики, карты и блок-схемы. Один тип .
Как создать дерево решений в Word
Создание дерева решений в Word - это относительно простая задача, которую можно выполнить без особых затрат времени и усилий. Microsoft Word предоставляет все инструменты, которые вам понадобятся .
Как сделать дерево решений в Excel
Дерево решений может помочь вам принимать решения, будь то повседневные решения или те, которые имеют долгосрочные последствия. Деревья решений могут иметь много ветвей (каждая из которых представляет .
Excel для Microsoft 365 Word для Microsoft 365 Outlook для Microsoft 365 PowerPoint для Microsoft 365 Excel для Microsoft 365 для Mac Word для Microsoft 365 для Mac Outlook для Microsoft 365 для Mac PowerPoint для Microsoft 365 для Mac Excel 2021 Word 2021 Outlook 2021 PowerPoint 2021 Excel 2021 for Mac Word 2021 for Mac Outlook 2021 for Mac PowerPoint 2021 for Mac Excel 2019 Word 2019 Outlook 2019 PowerPoint 2019 Excel 2019 для Mac Word 2019 для Mac Outlook 2019 для Mac PowerPoint 2019 для Mac Excel 2016 Word 2016 Outlook 2016 PowerPoint 2016 Excel 2016 для Mac Word 2016 для Mac PowerPoint 2016 для Mac Excel для iPad Excel для iPhone Еще. Меньше
Диаграмма "дерево" обеспечивает иерархическое представление данных и позволяет легко определить закономерности, например то, какие элементы лучше всего подеются в магазине. Ветви дерева представлены прямоугольником, а каждая ветвь — как меньший прямоугольник. На диаграмме "дерево" категории отображаются по цвету и близости, а также могут легко отображать большое количество данных, что будет сложно сделать с другими типами диаграмм.
Диаграмма "дерево" удобна, если нужно сравнить пропорции в иерархии, но не очень хорошо отображает иерархические уровни между крупнейшими категориями и каждой точкой данных. Для этого намного больше подходит диаграмма "солнечные лучи".
Создание диаграммы "дерево"
Перейдите на вкладку Вставка > вставить иерархическую диаграмму >дерево.
Рекомендуемые диаграммы также можно использовать для создания диаграммы "дерево", на вкладке Вставка > Рекомендуемые диаграммы > всех диаграмм.
Совет: На вкладке Конструктори Формат можно настроить внешний вид диаграммы. Если эти вкладки не вы увидите, щелкните в любом месте диаграммы "дерево", чтобы активировать их.
Изменение способа отображения меток
Excel автоматически использует разные цвета для каждой категории верхнего уровня (родительской). Но вы можете дополнительно подчеркнуть различия между категориями с помощью макета меток данных.
Щелкните правой кнопкой мыши один из прямоугольников на диаграмме и выберите пункт Формат ряда данных.
В разделе Параметры ряда > Параметры подписи выберите нужный параметр отображения.
Создание диаграммы "дерево"
На ленте на вкладке Вставка нажмите кнопку (значок иерархии) и выберите дерево.
Примечание: На вкладке Конструктори Формат можно настроить внешний вид диаграммы. Если эти вкладки не вы увидите, щелкните в любом месте диаграммы "дерево", чтобы активировать их.
Дополнительные сведения
Вы всегда можете задать вопрос специалисту Excel Tech Community или попросить помощи в сообществе Answers community.
Читайте также: