決策樹(shù)方法在數(shù)據(jù)挖掘中的應(yīng)用(編輯修改稿)
2024-11-15 11:47 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 一個(gè)變量，但是在目前這個(gè)例子中，年齡似乎是導(dǎo)致一個(gè)人的血壓是否偏高的最重要因素。 如圖所示，研究對(duì)象按年齡分為以下 3組： 32~50歲， 51~62歲， 63~73歲 它們分別對(duì)應(yīng)于模型樹(shù)的三個(gè)葉節(jié)點(diǎn)。 此外，還可以用除 Age以外的其他字段為模型樹(shù)創(chuàng)建新的葉節(jié)點(diǎn)。在模型樹(shù)上通過(guò)指定其它字段以創(chuàng)建新的葉節(jié)點(diǎn)稱(chēng)為分叉。對(duì)于當(dāng)前這個(gè)數(shù)據(jù)集，系統(tǒng)會(huì)自動(dòng)發(fā)現(xiàn) 12個(gè)分叉。 理解模型 觀察其分叉 觀察其分叉將使我們可以看到除年齡以外對(duì)血壓還有影響的其他重要變量的作用。 KnowledgeSEEKER可以計(jì)算出所有變量對(duì)血壓影響的大小并將使它們按順序排列起來(lái)。用另一個(gè)變量直接在根節(jié)點(diǎn)下面構(gòu)造葉節(jié)點(diǎn)即可進(jìn)入模型樹(shù)的另一個(gè)分叉。這樣，我們就可以很容易地觀察到其他數(shù)據(jù)元素對(duì)血壓的影響。 對(duì)于自動(dòng)生成的每一個(gè)分叉所作的概述將為我們考慮下一步的研究方向提供有益的線索。很明顯，上面所獲得的信息中有一些符合我們的預(yù)先估計(jì)。例如，一個(gè)人年齡越大，患高血壓的可能性也就越高；一個(gè)人參加體育活動(dòng)越多，換高血壓的可能性也就越低。這些都是我們預(yù)先估計(jì)到的。然而，我們從數(shù)據(jù)集中也發(fā)現(xiàn)了一些預(yù)先沒(méi)有估計(jì)到的結(jié)果，如人的身高與其高血壓之間的關(guān)系就是我們預(yù)先沒(méi)有估計(jì)到的。 理解模型 進(jìn)入特定分叉 擴(kuò)展模型樹(shù) 以 smoking為分叉變量構(gòu)造的模型樹(shù)目前還只有一層。我們可以對(duì)這棵模型樹(shù)作進(jìn)一步擴(kuò)展。在模型樹(shù)的第二層中選擇經(jīng)常吸煙者相對(duì)應(yīng)的節(jié)點(diǎn)，然后，在Grow下拉菜單
教學(xué)課件相關(guān)推薦
鄂ICP備17016276號(hào)-1