決策樹分析及spss實現(xiàn)(ppt61頁)(存儲版)
【正文】 數(shù)來合併特性形成結(jié)合，我們就可以獲得如下圖那樣更簡化的決策樹。同樣的，在一個多維的空間，根據(jù)單一變數(shù)所做的檢驗定義出一個超平面，這個平面和用來進(jìn)行檢驗的這個變數(shù)所代表的軸垂直，而與其他所有軸平行。從使用者的觀點，這種混合技術(shù)在類神經(jīng)網(wǎng)路領(lǐng)域在決策樹領(lǐng)域更常見，因為與類神經(jīng)網(wǎng)路結(jié)後，決策樹將無法解釋其決策，即使如以下形式(W1X1+W2X2+W3X3+…) ? N，其規(guī)則以藉由每一個節(jié)點變數(shù)的線性組合來以決策樹方法獲得，但在類神經(jīng)網(wǎng)就很容易讓人迷惑。 ●對非方型區(qū)域無能為力。Torrent Systems的一套資料探礦套裝軟體其中一項工具就有使用這個方法。在一個二維空間， Y ? N這種測試形式，形成一個由與 Y軸垂直且與 X軸平行的直線所界定的區(qū)域。 52 其他決策樹的變化 53 其他決策樹的變化 我們將這個情形當(dāng)成訓(xùn)練資料， CART或其他任何可以根據(jù)單一屬性的數(shù)值來分隔建構(gòu)二分法決策樹的演算法，都會建構(gòu)出下圖的決策樹。根據(jù)檢驗，能夠產(chǎn)生最大差異分類的預(yù)測變數(shù)，就被選為當(dāng)前這個節(jié)點的分隔變數(shù)。 另一個差異是 CHAID只限於類別變數(shù)使用，連續(xù)變數(shù)必頇被區(qū)隔成幾個區(qū)段範(fàn)圍，或是以高，中，低等類別來取代。下圖的決策樹部分得出以下的規(guī)則： ?看球賽加上地主隊獲勝加上跟朋友出門，就會得出 啤酒 。我們可以把問題列入考量，以一個使用加權(quán)方式將錯誤分類的機率加倍的代價函數(shù)，來取代錯誤率。測試組和訓(xùn)練組來自同一群母體，但包含的資料不同。圖中的箱子變得很小，而且每一個都不大，只容得下訓(xùn)組資料，不太可能再容納新資料。這告訴我們，以這個訓(xùn)練組而言，抵達(dá)這個節(jié)點的資料是女性的機率為 。對每一個剩下的變數(shù)最好的分隔就確定了。在完全分散和完全聚集的兩個極端之間，這些函數(shù)有些微不同的型態(tài)。 CART藉著一個單一輸入變數(shù)函數(shù)，在每一個節(jié)點分隔資料，以建構(gòu)一個二分式?jīng)Q策樹。某些持卡人每次繳款的金額不高，但他們欠繳金額很高時，卻又不會超過額度 。這樣可以立即顯示這套分 類系統(tǒng)的表現(xiàn)。換言之，這項規(guī)則的錯誤率為 決策樹基本觀念 10 決策樹基本觀念 11 決策樹基本觀念 year place movie last like sex pred. 59 4 23 1 F F 43 2 1 12 F F 43 2 1 30 F F 45 1 25 63 M F 45 1 25 2 F F 45 1 25 26 F F 46 1 26 2 F F 45 2 32 111 F F 49 3 1 63 M F 45 1 25 63 F F 45 2 32 17 F F 12 決策樹基本觀念 決策樹創(chuàng)造資料箱 : 雖然樹狀圖和 『 二十個問題 』 類推法有助於呈現(xiàn)決策樹方法的某些特質(zhì)，但作者發(fā)現(xiàn)，在某些情況下，基於不同表現(xiàn)方式的 箱形圖 （ box diagram） 更加清楚明白。 對決策樹的每一個節(jié)點，我們可以如此衡量： ●進(jìn)入這個節(jié)點的資料數(shù)目。 在遊戲中，第一個問題的答案決定了下一個問題。1 第九章 決策樹分析 Decision Tree Analysis 2 決策樹分析 ?簡介 ?決策樹基本觀念 ?三種研究方法 ?其他決策樹的變化 ?決策樹的優(yōu) 、 缺點 3 決策樹是功能強大且相當(dāng)受歡迎的分類和預(yù)測工具。一個決策樹代表一系列這類問題。 決策樹基本觀念 7 決策樹的多種形式 : 決策樹基本觀念 8 某些規(guī)則比其他規(guī)則好 : 我們將一個決策樹應(yīng)用在一個前所未有的資料集合上，並觀察其分類正確的比率，來衡量這個決策樹的有效程度。 下表顯示這個節(jié)點共有 11筆資料被歸類其下，其中九個是正確的（女性），還有兩個男性被誤分到這裡。 ●單一資料可以根據(jù)輸出變數(shù)的數(shù)值，用有色的
畢業(yè)設(shè)計相關(guān)推薦
鄂ICP備17016276號-1