SPSSModeler决策树CART算法实践案例（第十三章）

前面&＃xff0c;小编和大家一起学习了关于决策树C5.0算法进行决策树分析&＃xff0c;今天&＃xff0c;继续学习使用CART算法进行决策树分析。

首先&＃xff0c;我们了解一下CART算法与C5.0算法的区别&＃xff1a;

• 目标变量类型&＃xff1a;C5.0算法只能处理分类型目标变量&＃xff0c;CART算法既能处理分类型&＃xff0c;也能处理连续型目标变量生成分类树&＃xff1b;
• 衡量指标不同&＃xff1a;在决策树生长阶段&＃xff0c;CART算法分别采用基尼系数&＃xff08;分类树&＃xff09;以及方差&＃xff08;回归树&＃xff09;作为树生长的衡量指标&＃xff1b;
• 修剪方法不同&＃xff1a;C5.0基于悲观误差估计进行剪枝&＃xff0c;而CART算法是根据最小代价复杂度剪枝&＃xff1b;
• 树形结构不同&＃xff1a;CART决策树是一种二叉树结构&＃xff0c;无论变量的水平有多少种&＃xff0c;最后只会生成两个分支。C5.0决策树则能生成多叉树。

1. CART算法实现决策树分析

CART决策树节点

案例&＃xff1a;Demo数据文件“bankloan.sav”。&＃xff08;违约风险分析&＃xff0c;识别每名客户属于违约组还是非违约组&＃xff09;

数据流&＃xff1a;

类型节点中进行角色设定&＃xff1a;

2. 数据准备

2.1 利用选择节点&＃xff0c;删除缺失值

剔除数据中的缺失数据。

2.2 利用分区节点&＃xff0c;对数据进行分区

C&R树节点还会从训练集中抽取样本作为检验集&＃xff0c;所以选择80%作为训练集&＃xff0c;20%作为测试集。

3. 建模设置

3.1 构建选项卡

3.11 目标选项

3.12 基本选项

3.13 中止规则选项

3.14 成本和先验选项

3.15 高级选项

4. 模型结果

可以看出&＃xff0c;CART算法生成的决策树比C5.0的更加简洁。