決策樹分析及spss實現(xiàn)(ppt61頁)-全文預覽
【正文】 前兩個字母縮寫。這些子節(jié)點被選擇的方式是輸出變數(shù)遇上某個特定數(shù)值的機率隨著節(jié)點不同而有所差異。CHAID是從更早的一套自動互動偵測系統(tǒng) AID衍生而來，後者是摩根（ . Man）與桑奎斯特 (. Sonquist)在 1963年提出。 ?看球賽加上地主隊輸球加上跟朋友出門，就會得出 啤酒 。因此， 樹的相同資料來決定該如何加以修剪。 與 CART差異 ： 培養(yǎng)決策樹： CART之間的第一個差異是 CART在每一個節(jié)點都呈現(xiàn)二分法，因此產(chǎn)生二分式?jīng)Q策樹，而 個節(jié)點產(chǎn)不同數(shù)目的分支。 當然在醫(yī)療診斷上，一個錯誤的陰性診斷（ negative）也許會比錯誤的陽性診斷（ positive）傷害更大。 37 分類與迴歸樹 （ CART） 評估最佳的分支樹： 最後工作是從利用第三組資料，將測試組和訓練組打散，即 『 評估組資料 』 （ evaluation set）。這是一種衡量方法，逐一檢視每一個葉部，確認最弱勢的分支（那些無法有效降低整棵決策樹錯誤率的分支），然後將它們標示出來加以修剪 34 分類與迴歸樹 （ CART） 35 分類與迴歸樹 （ CART） 36 分類與迴歸樹 （ CART） 評估分支樹： 最後工作是從入選的分支樹中選出最能分類新資料的決策樹。我們需要修剪這個決策樹以便在一般性的案例中獲得更正確的預測。這個規(guī)則有助於將訓練資料分類，但如果在更寬廣的世界上，馬丁是一個很少見的名，而且這個名字和身高又沒有特別的關(guān)連，那麼這個規(guī)則比沒用還糟糕。 29 分類與迴歸樹 （ CART） 計算整個決策樹的錯誤率： 整個決策樹的錯誤率是所有葉部錯誤率的加權(quán)總數(shù)。然而，這並不表示所有祗達這個葉部的資料都屬於同一類。到了最後，存在的只剩下葉部節(jié)點，而我們也完成決策樹。如果這個變數(shù)只遇上一個數(shù)值，我們就將其排除，因為它無法被用來創(chuàng)造一個分隔。假設(shè)這個變數(shù)遇上多個數(shù)值，我們進行二分式研究，希望找出降低分散度最多的最佳分隔法。 25 分類與迴歸樹 （ CART） 找出起始的分隔 : 最好的分隔變數(shù)是能夠降低一個資料組的分散度，而且降得最多。最好分隔的定義是能夠?qū)①Y料最完善的分配到一個單一類別支配的群體。 21 分類與迴歸樹 （ CART） 22 分類與迴歸樹 （ CART） numbers 23 分類與迴歸樹 （ CART） 找出起始的分隔 : 在過程中的一開始，我們有一個預先分類好的訓練和資料。這兩種非常不同的持卡人可能為發(fā)卡銀行帶來同樣多的收益。 17 決策樹基本觀念 18 決策樹基本觀念 這是一種基本上的差異：當一筆資料有多種非常不同的方法使其成為目標類別的一部份時，使用單一線條來找出類別間界線的統(tǒng)計方法效力會很弱。一個層形圖讓我們一目了然的見到數(shù)層資料的細節(jié)。這類直條圖可以使用直條的頻色或形狀來 顯示對應規(guī)則的錯誤率。任何樹狀圖的葉部節(jié)點形成一個一維式箱形圖。然後我們使用決策樹程式來創(chuàng)造規(guī)則，以受測者在問卷中其他問題的答案來找出該名受測者的性別。 ●這個節(jié)點將資料正確分類的比率。 從根部到每一個葉部都有一套獨特的路徑，這個路徑就是用來分類資料規(guī)則的一種表達方式。 決策樹基本觀念 5 以 『 二十個問題 』 的方法顯示樂器的分類。在遊戲中，一個玩家先想好所有參加者都有知道的一個特定地點，人物或事物，其他玩家藉著提出一堆 『 是或不是 』 的問題，來找出答案。規(guī)則可以用文字來表達，讓人類了解，或是轉(zhuǎn)化為 SQL之類的資料庫語言，讓落在特定類別的資料紀錄可以被搜尋。這項以樹狀圖為基礎(chǔ)的方法，其吸引人之處在於決策樹具有規(guī)則，和類神經(jīng)網(wǎng)路不同。 簡介 4 決策
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1