決策樹培訓(xùn)課件-資料下載頁
2025-01-12 21:57本頁面
【正文】 子樹，剪掉，計算剪枝后樹的代價復(fù)雜度值n 在當(dāng)前 ?值下判斷是否仍有小于 ?的子樹，有則依從小到大順序剪掉，并計算代價復(fù)雜度；否則，繼續(xù)增大 ?，直到得到 Tkn 隨著 ?值增大，得到 子樹序列。它們的復(fù)雜度依次降低，但代價復(fù)雜度的變化情況并不確定CART：剪枝算法48n 剪枝過程n 選擇 k個子樹中代價復(fù)雜度最低的子樹，也可以允許考慮誤差項CART：剪枝算法放大因子代價復(fù)雜度最小子樹在測試樣本集上的預(yù)測誤差的誤差4950CART應(yīng)用示例n 以 ，目標(biāo)：找到影響客戶流失的重要因素n 分類回歸樹的交互建模n 可以使決策樹的實際含義更貼近業(yè)務(wù)51交互建模中的模型評價n 交互建模中分類樹的評價n 風(fēng)險評價和收益評價n 風(fēng)險評價：模型誤差n 效益評價n 收益 (Gains)：模型對數(shù)據(jù)規(guī)律提煉的能力n 利潤 (Profit)：財務(wù)角度反映模型價值n 角度：每條推理規(guī)則、決策樹整體52效益評價：收益評價 (單個節(jié)點)n 收益：對具有某類特征的數(shù)據(jù)，輸入和輸出變量取值規(guī)律的提煉的能力n 針對用戶關(guān)心的 “ 目標(biāo) ” 類別。例：流失 yesn 收益評價指標(biāo)n 【 收益 :n】 ：節(jié)點中樣本屬目標(biāo)類別的樣本量n 【 響應(yīng) (%)】 ：節(jié)點中樣本屬目標(biāo)類別的樣本量占本節(jié)點樣本的百分比（置信程度）n 【 收益 (%)】 ：節(jié)點中樣本屬目標(biāo)類別的樣本量占目標(biāo)類別總樣本的百分比（適用廣泛性）53效益評價：收益評價 (單個節(jié)點)n 響應(yīng) %和收益 %：意味追求高響應(yīng) %嗎？n 低響應(yīng) %和低收益 %的規(guī)則，不理想n 例：甲殼蟲人群 100人， 90人購買， 10不購買n IF 年輕富婆 THNE 買n 10人，響應(yīng) %=100%(高 )，收益 %=10/90(低 )n 90人，響應(yīng) %=70%(中低 ),收益 %=63/90(高 )n 高響應(yīng) %和低收益 %的規(guī)則，可能是沒有意義的n 低響應(yīng) %和高收益 %的規(guī)則，可能是值得的54效益評價：收益評價 (單個節(jié)點)n 響應(yīng) %和收益 %：意味追求高響應(yīng) %嗎？n 高響應(yīng) %和高收益 %的規(guī)則，可能并沒有太多價值55效益評價：收益評價 (單個節(jié)點)n 收益評價指標(biāo)n 【 指數(shù) (%)】 ：節(jié)點的響應(yīng) (%)是同類別樣本占總樣本比例的百分之幾倍，稱為提升度 (lift)（價值）56效益評價：利潤評價 (單個節(jié)點)n 總體利潤：正利潤和負(fù)利潤（針對輸出變量所有類別計算）n 定義單位利潤n 利潤評價指標(biāo)n 【 利潤 :】 :節(jié)點的平均利潤n 【 投資回報率 】 ：總利潤 /總投資n 【 指數(shù) (%)】 ：節(jié)點的投資回報率是總投資回報率的倍數(shù) 57效益評價 (整體 )n 累計收益圖：橫坐標(biāo)分位點，縱坐標(biāo)累計收益(%)n 累計響應(yīng)圖：橫坐標(biāo)分位點，縱坐標(biāo)累積響應(yīng)(%)n 累計提升圖：橫坐標(biāo)分位點，縱坐標(biāo)累計提升度n 累計利潤圖：橫坐標(biāo)分位點，縱坐標(biāo)累積利潤n 累計投資回報率圖：橫坐標(biāo)分位點，縱坐標(biāo)累積ROI58決策樹說明n 決策樹算法在處理不同類型數(shù)據(jù)時的優(yōu)勢和劣勢n 數(shù)值型的優(yōu)勢和劣勢n 不受數(shù)量級的影響n 忽略分布特征n 分類型的優(yōu)勢和劣勢n 建樹效率高n 類別較多時，樹太茂盛n 容易處理 “ 混合類型 ” 的輸入變量59謝謝 謝！謝！60
法律信息相關(guān)推薦
鄂ICP備17016276號-1