分類與決策樹

分類與決策樹第一頁，共九十一頁，2022年，8月28日主要內(nèi)容分類與決策樹概述ID3、C4.5與C5.0CART第二頁，共九十一頁，2022年，8月28日分類VS.預(yù)測分類和預(yù)測是兩種數(shù)據(jù)分析形式，用于提取描述重要數(shù)據(jù)類或預(yù)測未來的數(shù)據(jù)趨勢的模型分類：預(yù)測類對象的分類標號（或離散值）根據(jù)訓(xùn)練數(shù)據(jù)集和類標號屬性，構(gòu)建模型來分類現(xiàn)有數(shù)據(jù)，并用來分類新數(shù)據(jù)預(yù)測：建立連續(xù)函數(shù)值模型比如預(yù)測空缺值，或者預(yù)測顧客在計算機設(shè)備上的花費典型應(yīng)用欺詐檢測、市場定位、性能預(yù)測、醫(yī)療診斷分類是一種應(yīng)用非常廣泛的數(shù)據(jù)挖掘技術(shù)分類與預(yù)測的區(qū)別：當估計的屬性值是離散值時，這就是分類；當估計的屬性值是連續(xù)值時，這就是預(yù)測。第三頁，共九十一頁，2022年，8月28日分類和預(yù)測---示例分類銀行貸款員需要分析數(shù)據(jù)，來弄清哪些貸款申請者是安全的，哪些是有風(fēng)險的（將貸款申請者分為“安全”和“有風(fēng)險”兩類）我們需要構(gòu)造一個分類器來預(yù)測類屬編號，比如預(yù)測顧客屬類預(yù)測銀行貸款員需要預(yù)測貸給某個顧客多少錢是安全的構(gòu)造一個預(yù)測器，預(yù)測一個連續(xù)值函數(shù)或有序值，常用方法是回歸分析第四頁，共九十一頁，2022年，8月28日數(shù)據(jù)分類——一個兩步過程(1)第一步，也成為學(xué)習(xí)步，目標是建立描述預(yù)先定義的數(shù)據(jù)類或概念集的分類器分類算法通過分析或從訓(xùn)練集“學(xué)習(xí)”來構(gòu)造分類器。訓(xùn)練集由數(shù)據(jù)庫元組（用n維屬性向量表示）和他們相對應(yīng)的類編號組成；假定每個元組屬于一個預(yù)定義的類訓(xùn)練元組：訓(xùn)練數(shù)據(jù)集中的單個元組學(xué)習(xí)模型可以用分類規(guī)則、決策樹或數(shù)學(xué)公式的形式提供第五頁，共九十一頁，2022年，8月28日數(shù)據(jù)分類——一個兩步過程(2)第二步，使用模型，對將來的或未知的對象進行分類首先評估模型的預(yù)測準確率對每個測試樣本，將已知的類標號和該樣本的學(xué)習(xí)模型類預(yù)測比較模型在給定測試集上的準確率是正確被模型分類的測試樣本的百分比測試集要獨立于訓(xùn)練樣本集，否則會出現(xiàn)“過分擬合”的情況第六頁，共九十一頁，2022年，8月28日第一步——建立模型訓(xùn)練數(shù)據(jù)集分類算法IFrank=‘professor’ORyears>6THENtenured=‘yes’分類規(guī)則第七頁，共九十一頁，2022年，8月28日第二步——用模型進行分類分類規(guī)則測試集未知數(shù)據(jù)(Jeff,Professor,4)Tenured?第八頁，共九十一頁，2022年，8月28日監(jiān)督學(xué)習(xí)VS.無監(jiān)督學(xué)習(xí)監(jiān)督學(xué)習(xí)（用于分類）模型的學(xué)習(xí)在被告知每個訓(xùn)練樣本屬于哪個類的“指導(dǎo)”下進行新數(shù)據(jù)使用訓(xùn)練數(shù)據(jù)集中得到的規(guī)則進行分類無監(jiān)督學(xué)習(xí)（用于聚類）每個訓(xùn)練樣本的類編號是未知的，要學(xué)習(xí)的類集合或數(shù)量也可能是事先未知的通過一系列的度量、觀察來建立數(shù)據(jù)中的類編號或進行聚類第九頁，共九十一頁，2022年，8月28日數(shù)據(jù)預(yù)測的兩步過程數(shù)據(jù)預(yù)測也是一個兩步的過程，類似于前面描述的數(shù)據(jù)分類對于預(yù)測，沒有“類標號屬性”要預(yù)測的屬性是連續(xù)值，而不是離散值，該屬性可簡稱“預(yù)測屬性”E.g.銀行貸款員需要預(yù)測貸給某個顧客多少錢是安全的預(yù)測器可以看作一個映射或函數(shù)y=f(X)其中X是輸入；y是輸出，是一個連續(xù)或有序的值與分類類似，準確率的預(yù)測，也要使用單獨的測試集第十頁，共九十一頁，2022年，8月28日3.1決策樹概述決策樹(DecisionTree)

一種描述概念空間的有效的歸納推理辦法?；跊Q策樹的學(xué)習(xí)方法可以進行不相關(guān)的多概念學(xué)習(xí)，具有簡單快捷的優(yōu)勢，已經(jīng)在各個領(lǐng)域取得廣泛應(yīng)用。決策樹是一種樹型結(jié)構(gòu)，其中每個內(nèi)部結(jié)點表示在一個屬性上的測試，每個分支代表一個測試輸出，每個葉結(jié)點代表一種類別。第十一頁，共九十一頁，2022年，8月28日決策樹學(xué)習(xí)是以實例為基礎(chǔ)的歸納學(xué)習(xí)。從一類無序、無規(guī)則的事物（概念）中推理出決策樹表示的分類規(guī)則。概念分類學(xué)習(xí)算法：來源于Hunt,Marin和Stone于1966年研制的CLS學(xué)習(xí)系統(tǒng)，用于學(xué)習(xí)單個概念。1979年,J.R.Quinlan給出ID3算法，并在1983年和1986年對ID3進行了總結(jié)和簡化，使其成為決策樹學(xué)習(xí)算法的典型。Schlimmer和Fisher于1986年對ID3進行改造，在每個可能的決策樹節(jié)點創(chuàng)建緩沖區(qū)，使決策樹可以遞增式生成，得到ID4算法。1988年，Utgoff在ID4基礎(chǔ)上提出了ID5學(xué)習(xí)算法，進一步提高了效率。1993年，Quinlan進一步發(fā)展了ID3算法，改進成C4.5算法。另一類決策樹算法為CART，與C4.5不同的是，CART的決策樹由二元邏輯問題生成，每個樹節(jié)點只有兩個分枝，分別包括學(xué)習(xí)實例的正例與反例。其基本思想是以信息熵為度量構(gòu)造一棵熵值下降最快的樹，到葉子節(jié)點處的熵值為零，此時每個葉節(jié)點中的實例都屬于同一類。第十二頁，共九十一頁，2022年，8月28日決策樹學(xué)習(xí)采用的是自頂向下的遞歸方法。決策樹的每一層節(jié)點依照某一屬性值向下分為子節(jié)點，待分類的實例在每一節(jié)點處與該節(jié)點相關(guān)的屬性值進行比較，根據(jù)不同的比較結(jié)果向相應(yīng)的子節(jié)點擴展，這一過程在到達決策樹的葉節(jié)點時結(jié)束，此時得到結(jié)論。從根節(jié)點到葉節(jié)點的每一條路經(jīng)都對應(yīng)著一條合理的規(guī)則，規(guī)則間各個部分（各個層的條件）的關(guān)系是合取關(guān)系。整個決策樹就對應(yīng)著一組析取的規(guī)則。決策樹學(xué)習(xí)算法的最大優(yōu)點是，它可以自學(xué)習(xí)。在學(xué)習(xí)的過程中，不需要使用者了解過多背景知識，只需要對訓(xùn)練例子進行較好的標注，就能夠進行學(xué)習(xí)。如果在應(yīng)用中發(fā)現(xiàn)不符合規(guī)則的實例，程序會詢問用戶該實例的正確分類，從而生成新的分枝和葉子，并添加到樹中。第十三頁，共九十一頁，2022年，8月28日樹是由節(jié)點和分枝組成的層次數(shù)據(jù)結(jié)構(gòu)。節(jié)點用于存貯信息或知識，分枝用于連接各個節(jié)點。樹是圖的一個特例，圖是更一般的數(shù)學(xué)結(jié)構(gòu)，如貝葉斯網(wǎng)絡(luò)。

決策樹是描述分類過程的一種數(shù)據(jù)結(jié)構(gòu)，從上端的根節(jié)點開始，各種分類原則被引用進來，并依這些分類原則將根節(jié)點的數(shù)據(jù)集劃分為子集，這一劃分過程直到某種約束條件滿足而結(jié)束。

根結(jié)點個子大可能是松鼠可能是老鼠可能是大象在水里會吱吱叫鼻子長脖子長個子小不會吱吱叫鼻子短脖子短可能是長頸鹿在陸地上可能是犀?？赡苁呛玉R第十四頁，共九十一頁，2022年，8月28日可以看到，一個決策樹的內(nèi)部結(jié)點包含學(xué)習(xí)的實例，每層分枝代表了實例的一個屬性的可能取值，葉節(jié)點是最終劃分成的類。如果判定是二元的，那么構(gòu)造的將是一棵二叉樹，在樹中每回答一個問題就降到樹的下一層，這類樹一般稱為CART（ClassificationAndRegressionTree）。判定結(jié)構(gòu)可以機械的轉(zhuǎn)變成產(chǎn)生式規(guī)則?？梢酝ㄟ^對結(jié)構(gòu)進行廣度優(yōu)先搜索，并在每個節(jié)點生成“IF…THEN”規(guī)則來實現(xiàn)。如圖6-13的決策樹可以轉(zhuǎn)換成下規(guī)則：

IF“個子大”THENIF“脖子短”THENIF“鼻子長”THEN可能是大象形式化表示成

根結(jié)點個子大可能是松鼠可能是老鼠可能是大象在水里會吱吱叫鼻子長脖子長個子小不會吱吱叫鼻子短脖子短可能是長頸鹿在陸地上可能是犀牛可能是河馬第十五頁，共九十一頁，2022年，8月28日構(gòu)造一棵決策樹要解決四個問題：收集待分類的數(shù)據(jù)，這些數(shù)據(jù)的所有屬性應(yīng)該是完全標注的。設(shè)計分類原則，即數(shù)據(jù)的哪些屬性可以被用來分類，以及如何將該屬性量化。分類原則的選擇，即在眾多分類準則中，每一步選擇哪一準則使最終的樹更令人滿意。設(shè)計分類停止條件，實際應(yīng)用中數(shù)據(jù)的屬性很多，真正有分類意義的屬性往往是有限幾個，因此在必要的時候應(yīng)該停止數(shù)據(jù)集分裂：該節(jié)點包含的數(shù)據(jù)太少不足以分裂，繼續(xù)分裂數(shù)據(jù)集對樹生成的目標(例如ID3中的熵下降準則)沒有貢獻，樹的深度過大不宜再分。通用的決策樹分裂目標是整棵樹的熵總量最小，每一步分裂時，選擇使熵減小最大的準則，這種方案使最具有分類潛力的準則最先被提取出來第十六頁，共九十一頁，2022年，8月28日預(yù)測變量目標變量記錄樣本類標號屬性類別集合：Class={“優(yōu)”，“良”，“差”}決策樹的基本原理第十七頁，共九十一頁，2022年，8月28日根節(jié)點葉子節(jié)點分裂屬性分裂謂詞每一個葉子節(jié)點都被確定一個類標號第十八頁，共九十一頁，2022年，8月28日每一個節(jié)點都代表了一個數(shù)據(jù)集。根節(jié)點1代表了初始數(shù)據(jù)集D其它節(jié)點都是數(shù)據(jù)集D的子集。例如，節(jié)點2代表數(shù)據(jù)集D中年齡小于40歲的那部分樣本組成的數(shù)據(jù)集。子節(jié)點是父節(jié)點的子集。

If(年齡<40)and(職業(yè)=“學(xué)生”or職業(yè)=“教師”)Then信用等級=“優(yōu)”If(年齡<40)and(職業(yè)!=“學(xué)生”and職業(yè)!=“教師”)Then信用等級=“良”If(年齡≥40)and(月薪<1000)Then信用等級=“差”If(年齡≥40)and(月薪≥1000and月薪≤3000)Then信用等級=“良”If(年齡≥40)and(月薪>3000)Then信用等級=“優(yōu)”第十九頁，共九十一頁，2022年，8月28日決策樹是指具有下列三個性質(zhì)的樹：每個非葉子節(jié)點都被標記一個分裂屬性Ai；每個分支都被標記一個分裂謂詞，這個分裂謂詞是分裂父節(jié)點的具體依據(jù)；每個葉子節(jié)點都被標記一個類標號Cj∈C。任何一個決策樹算法，其核心步驟都是為每一次分裂確定一個分裂屬性，即究竟按照哪一個屬性來把當前數(shù)據(jù)集劃分為若干個子集，從而形成若干個“樹枝”。第二十頁，共九十一頁，2022年，8月28日熵，是數(shù)據(jù)集中的不確定性、突發(fā)性或隨機性的程度的度量。當一個數(shù)據(jù)集中的記錄全部都屬于同一類的時候，則沒有不確定性，這種情況下的熵就為0。決策樹分裂的基本原則是，數(shù)據(jù)集被分裂為若干個子集后，要使每個子集中的數(shù)據(jù)盡可能的“純”，也就是說子集中的記錄要盡可能屬于同一個類別。如果套用熵的概念，即要使分裂后各子集的熵盡可能的小。3.2ID3、C4.5與C5.0第二十一頁，共九十一頁，2022年，8月28日數(shù)據(jù)集D被按照分裂屬性“年齡”分裂為兩個子集D1和D2

信息增益:Gain(D,年齡)=H(D)–[P(D1)×H(D1)+P(D2)×H(D2)]第二十二頁，共九十一頁，2022年，8月28日顯然，如果D1和D2中的數(shù)據(jù)越“純”，H(D1)和H(D2)就越小，信息增益就越大，或者說熵下降得越多。按照這個方法，測試每一個屬性的信息增益，選擇增益值最大的屬性作為分裂屬性。第二十三頁，共九十一頁，2022年，8月28日信息熵計算舉例令C1對應(yīng)“是”，C2對應(yīng)“否”。那么C1有9個樣本，C2有5個樣本，所以數(shù)據(jù)集D的熵為：第二十四頁，共九十一頁，2022年，8月28日決策樹歸納策略(1)輸入數(shù)據(jù)劃分D是訓(xùn)練元組和對應(yīng)類標號的集合attribute_list,候選屬性的集合Attribute_selection_method，指定選擇屬性的啟發(fā)性過程算法步驟樹以代表訓(xùn)練樣本的單個節(jié)點（N）開始如果樣本都在同一個類，則該節(jié)點成為樹葉，并用該類標記否則，算法調(diào)用Attribute_selection_method，選擇能夠最好的將樣本分類的屬性；確定“分裂準則”，指出“分裂點”或“分裂子集”。第二十五頁，共九十一頁，2022年，8月28日決策樹歸納策略(2)對測試屬性每個已知的值，創(chuàng)建一個分支，并以此劃分元組算法使用同樣的過程，遞歸的形成每個劃分上的元組決策樹。一旦一個屬性出現(xiàn)在一個節(jié)點上，就不在該節(jié)點的任何子節(jié)點上出現(xiàn)遞歸劃分步驟停止的條件劃分D（在N節(jié)點提供）的所有元組屬于同一類沒有剩余屬性可以用來進一步劃分元組——使用多數(shù)表決沒有剩余的樣本給定分支沒有元組，則以D中多數(shù)類創(chuàng)建一個樹葉第二十六頁，共九十一頁，2022年，8月28日屬性選擇度量屬性選擇度量是一種選擇分裂準則，將給定類標號的訓(xùn)練元組最好的進行劃分的方法理想情況，每個劃分都是“純”的，即落在給定劃分內(nèi)的元組都屬于相同的類屬性選擇度量又稱為分裂準則常用的屬性選擇度量信息增益增益率Gini指標第二十七頁，共九十一頁，2022年，8月28日信息增益(1)S是一個訓(xùn)練樣本的集合，該樣本中每個集合的類編號已知。每個樣本為一個元組。有個屬性用來判定某個訓(xùn)練樣本的類編號假設(shè)S中有m個類，總共s個訓(xùn)練樣本，每個類Ci有si個樣本(i＝1,2,3...m)，那么任意一個樣本屬于類Ci的概率是si/s，那么用來分類一個給定樣本的期望信息是：第二十八頁，共九十一頁，2022年，8月28日信息增益(2)一個有v個值的屬性A{a1,a2,...,av}可以將S分成v個子集{S1,S2,...,Sv}，其中Sj包含S中屬性A上的值為aj的樣本。假設(shè)Sj包含類Ci的sij個樣本。根據(jù)A的這種劃分的期望信息稱為A的熵A上該劃分的獲得的信息增益定義為：具有高信息增益的屬性，是給定集合中具有高區(qū)分度的屬性。所以可以通過計算S中樣本的每個屬性的信息增益，來得到一個屬性的相關(guān)性的排序。第二十九頁，共九十一頁，2022年，8月28日若以“年齡”作為分裂屬性，則產(chǎn)生三個子集（因為該屬性有三個不同的取值），所以D按照屬性“年齡”劃分出的三個子集的熵的加權(quán)和為：其中有一個子集的熵為0第三十頁，共九十一頁，2022年，8月28日同理，若以“收入水平”為分裂屬性：第三十一頁，共九十一頁，2022年，8月28日若以“有固定收入”為分裂屬性：若以“VIP”為分裂屬性：第三十二頁，共九十一頁，2022年，8月28日以“年齡”作為分裂屬性，所得信息增益最大。葉子節(jié)點第三十三頁，共九十一頁，2022年，8月28日第三十四頁，共九十一頁，2022年，8月28日ID3的主要缺點ID3算法只能處理分類屬性（離散屬性），而不能處理連續(xù)屬性（數(shù)值屬性）。在處理連續(xù)屬性時，一般要先將連續(xù)屬性劃分為多個區(qū)間，轉(zhuǎn)化為分類屬性。例如“年齡”，要把數(shù)值事先轉(zhuǎn)換為諸如“小于30歲”、“30至50歲”、“大于50歲”這樣的區(qū)間，再根據(jù)年齡值落入了某一個區(qū)間取相應(yīng)的類別值。通常，區(qū)間端點的選取包含著一定的主觀因素。ID3生成的決策樹是一棵多叉樹，分支的數(shù)量取決于分裂屬性有多少個不同的取值。這不利于處理分裂屬性取值數(shù)目較多的情況。因此目前流行的決策樹算法大多采用二叉樹模型。第三十五頁，共九十一頁，2022年，8月28日ID3是采用“信息增益”來選擇分裂屬性的。雖然這是一種有效的方法，但其具有明顯的傾向性，即它傾向于選擇具有大量不同取值的屬性，從而產(chǎn)生許多小而純的子集。尤其是關(guān)系數(shù)據(jù)庫中作為主鍵的屬性，每一個樣本都有一個不同的取值。如果以這樣的屬性作為分裂屬性，那么將產(chǎn)生非常多的分支，而且每一個分支產(chǎn)生的子集的熵均為0（因為子集中只有一個樣本?。?。顯然，這樣的決策樹是沒有實際意義的。因此，Quinlan提出使用增益比例來代替信息增益。3.2.2C4.5第三十六頁，共九十一頁，2022年，8月28日設(shè)S代表訓(xùn)練數(shù)據(jù)集，由s個樣本組成。A是S的某個屬性，有m個不同的取值，根據(jù)這些取值可以把S劃分為m個子集，Si表示第i個子集（i=1,2,…,m），|Si|表示子集Si中的樣本數(shù)量。那么：稱為“數(shù)據(jù)集S關(guān)于屬性A的熵”。第三十七頁，共九十一頁，2022年，8月28日用來衡量屬性A分裂數(shù)據(jù)集的廣度和均勻性。樣本在屬性A上的取值分布越均勻，Split_Info(S,A)的值就越大。增益比例的定義為：增益比例消除了選擇那些值較多且均勻分布的屬性作為分裂屬性的傾向性。第三十八頁，共九十一頁，2022年，8月28日連續(xù)屬性的處理

設(shè)屬性Y有m個不同的取值，按大小順序升序排列為v1<v2<,…,<vm。從{v1,v2,…,vm-1}中選擇一個vi作為閾值，則可以根據(jù)“Y≤vi”和“Y>vi”將數(shù)據(jù)集劃分為兩個部分，形成兩個分支。顯然，{v1,v2,…,vm-1}就是可能的閾值的集合，共(m-1)個元素。把這些閾值一一取出來，并根據(jù)“Y≤vi”和“Y>vi”把訓(xùn)練數(shù)據(jù)集劃分為兩個子集，并計算每一種劃分方案下的信息增益或增益比例，選擇最大增益或增益比例所對應(yīng)的那個閾值，作為最優(yōu)的閾值?？梢钥闯觯绻x擇連續(xù)屬性作為分裂屬性，則分裂后只有兩個分支，而不象離散屬性那樣可能會有多個分支（由離散屬性的取值個數(shù)決定）。

第三十九頁，共九十一頁，2022年，8月28日第四十頁，共九十一頁，2022年，8月28日如果要計算“年齡”屬性的信息增益，則首先將不同的屬性值排序{20,25,28,40,46,55,56,58,60,65,70}那么可能的閾值集合為{20,25,28,40,46,55,56,58,60,65,70}，從中一一取出，并形成分裂謂詞，例如取出“20”，形成謂詞“≤20”和“>20”，用它們劃分訓(xùn)練數(shù)據(jù)集，然后計算信息增益或增益比例。第四十一頁，共九十一頁，2022年，8月28日處理有缺失值的樣本

C4.5并不會武斷地將一個有缺失值的樣本拋棄,也不會隨意地將它分配到某個類別中去?！笆杖胨健钡闹担椤案摺钡母怕蕿?/12，取為“中”的概率為5/12，取為“低”的概率為4/12。S1（收入水平=“高”）的樣本數(shù)量為：3+2×(3/12)；第四十二頁，共九十一頁，2022年，8月28日3.2.4C5.0算法C5.0是經(jīng)典的決策樹模型的算法之一，可生成多分支的決策樹，目標變量為分類變量使用c5.0算法可以生成決策樹（decisiontree）或者規(guī)則集（rulesets）。C5.0模型根據(jù)能夠帶來最大信息增益（informationgain）的字段拆分樣本。第一次拆分確定的樣本子集隨后再次拆分，通常是根據(jù)另一個字段進行拆分，這一過程重復(fù)進行直到樣本子集不能再被拆分為止。最后，重新檢驗最低層次的拆分，那些對模型值沒有顯著貢獻的樣本子集被剔除或者修剪。

第四十三頁，共九十一頁，2022年，8月28日C5.0的優(yōu)點優(yōu)點：C5.0模型在面對數(shù)據(jù)遺漏和輸入字段很多的問題時非常穩(wěn)健。C5.0模型通常不需要很長的訓(xùn)練次數(shù)進行估計。C5.0模型比一些其他類型的模型易于理解，模型推出的規(guī)則有非常直觀的解釋。C5.0也提供強大的增強技術(shù)以提高分類的精度。C5.0算法選擇分支變量的依據(jù)以信息熵的下降速度作為確定最佳分支變量和分割閥值的依據(jù)。信息熵的下降意味著信息的不確定性下降第四十四頁，共九十一頁，2022年，8月28日舉例：在Clementine中應(yīng)用C5.0這里，以學(xué)生參加某次社會公益活動的數(shù)據(jù)（文件名為Students.xls）為例，講解C5.0算法的具體實現(xiàn)操作。分析目標是，研究哪些因素將顯著影響到學(xué)生參與社會公益活動。其中，是否參加為輸出變量，除編號以外的變量均為輸入變量。第四十五頁，共九十一頁，2022年，8月28日數(shù)據(jù)流如下：第四十六頁，共九十一頁，2022年，8月28日一、建立模型第一步建立數(shù)據(jù)源，第二步選擇Modeling卡中的C5.0節(jié)點并將其連接到恰當位置，鼠標右擊該節(jié)點，彈出下面窗口。模型名稱（Modelname）輸出類型（Outputtype）：此處指定希望最終生成的模型是決策樹還是規(guī)則集。群體字符（Groupsymbolics）。如果選擇該選項，C5.0會嘗試將所有與輸出字段格式相似的字符值合并。如果沒有選擇該選項，C5.0會為用于拆分母節(jié)點的字符字段的每個值創(chuàng)建一個子節(jié)點。使用自舉法（Useboosting）：提高其精確率。這種方法按序列建立多重模型。第一個模型以通常的方式建立。隨后，建立第二個模型，聚焦于被第一個模型錯誤分類的記錄。以此類推，最后應(yīng)用整個模型集對樣本進行分類，使用加權(quán)投票過程把分散的預(yù)測合并成綜合預(yù)測。TheNumberoftrials選項允許控制用于助推的模型數(shù)量。第四十七頁，共九十一頁，2022年，8月28日交叉驗證（Cross－validate）：如果選擇了該選項，C5.0將使用一組基于訓(xùn)練數(shù)據(jù)子集建立的模型，來估計基于全部數(shù)據(jù)建立的模型的精確度。如果數(shù)據(jù)集過小，不能拆分成傳統(tǒng)意義上的訓(xùn)練集和測試集，這將非常有用?；蛴糜诮徊骝炞C的模型數(shù)目。模式（Mode）：對于簡單的訓(xùn)練，絕大多數(shù)C5.0參數(shù)是自動設(shè)置。高級訓(xùn)練模式選項允許對訓(xùn)練參數(shù)更多的直接控制。第四十八頁，共九十一頁，2022年，8月28日簡單模式選項（simple）偏好（Favor）：在accuracy下，C5.0會生成盡可能精確的決策樹。在某些情況下，這會導(dǎo)致過度擬和。選擇Generality（一般化）項以使用不易受該問題影響的算法設(shè)置。期望噪聲百分數(shù)（Expectednoise（%））：指定訓(xùn)練集中的噪聲或錯誤數(shù)據(jù)期望比率。第四十九頁，共九十一頁，2022年，8月28日高級模式選項修剪純度（pruningseverity）：決定生成決策樹或規(guī)則集被修剪的程度。提高純度值將獲得更小，更簡潔的決策樹。降低純度值將獲得更加精確的決策樹。子分支最少記錄數(shù)（Minimumrecordsperchildbranch）：子群大小可以用于限制決策樹任一分支的拆分數(shù)。只有當兩個或以上的后序子分支包括來自訓(xùn)練集的記錄不少于最小記錄數(shù)，決策樹才會繼續(xù)拆分。默認值為2，提高該值將有助于避免噪聲數(shù)據(jù)的過度訓(xùn)練。全局修剪（Useglobalpruning）：第一階段：局部修建第二階段：全局修剪排除屬性（Winnowattributes）：如果選擇了該選項，C5.0會在建立模型前檢驗預(yù)測字段的有用性。被發(fā)現(xiàn)與分析無關(guān)的預(yù)測字段將不參與建模過程。這一選項對有許多預(yù)測字段元的模型非常有用，并且有助于避免過度擬和。第五十頁，共九十一頁，2022年，8月28日圖1指定錯誤歸類損失錯誤歸類損失允許指定不同類型預(yù)測錯誤之間的相對重要性。錯誤歸類損失矩陣顯示預(yù)測類和實際類每一可能組合的損失。所有的錯誤歸類損失都預(yù)設(shè)設(shè)置為1.0。要輸入自定義損失值，選擇Usemisclassificationcosts，然后把自定義值輸入到損失矩陣中。第五十一頁，共九十一頁，2022年，8月28日具體設(shè)置第五十二頁，共九十一頁，2022年，8月28日執(zhí)行結(jié)果第五十三頁，共九十一頁，2022年，8月28日二、預(yù)測結(jié)果為觀測C5.0對每個樣本的預(yù)測結(jié)果，可在流管理器的Models卡中，鼠標右擊C5.0模型結(jié)果，選擇彈出菜單中的AddToStream，并將模型結(jié)果連接到數(shù)據(jù)流中，然后連接Table節(jié)點查看預(yù)測結(jié)果，如下圖所示：第五十四頁，共九十一頁，2022年，8月28日三、C5.0模型評價第五十五頁，共九十一頁，2022年，8月28日3.3CART分類和回歸樹（ClassificationandRegressionTrees，CART,在Clementine中簡寫為C&RT）CART算法中的每一次分裂把數(shù)據(jù)分為兩個子集，每個子集中的樣本比被劃分之前具有更好的一致性。它是一個遞歸的過程，也就是說，這些子集還會被繼續(xù)劃分，這個過程不斷重復(fù)，直到滿足終止準則，然后通過修剪和評估，得到一棵最優(yōu)的決策樹。第五十六頁，共九十一頁，2022年，8月28日三個步驟生成最大樹生成一棵充分生長的最大樹樹的修剪根據(jù)修剪算法對最大樹進行修剪，生成由許多子樹組成的子樹序列子樹評估從子樹序列中選擇一棵最優(yōu)的子樹作為最后的結(jié)果。

第五十七頁，共九十一頁，2022年，8月28日3.3.1生成最大樹標準問題集

就某個給定的屬性來說，由于屬性的取值可能有很多個，所以按照這個屬性來分裂數(shù)據(jù)集的方式也有很多種，屬性的標準問題集就是所有候選分支方案的集合。連續(xù)屬性的標準問題集離散屬性的標準問題集第五十八頁，共九十一頁，2022年，8月28日雜度

在ID3算法中，用“熵”來度量數(shù)據(jù)集隨機性的程度。在CART中我們把這種隨機性的程度稱為“雜度”（impurity，也稱為“不純度”），并且用“吉尼”(gini)指標來衡量它。第五十九頁，共九十一頁，2022年，8月28日吉尼指標設(shè)t是決策樹上的某個節(jié)點，該節(jié)點的數(shù)據(jù)集為S，由s個樣本組成，其類標號屬性具有m個不同的取值，即定義了m個不同的類Ci（i=1,2,…,m）。設(shè)屬于類Ci的樣本的個數(shù)為si。那么這個節(jié)點的吉尼指標這樣來計算：第六十頁，共九十一頁，2022年，8月28日雜度削減

由于CART算法生成的是一棵二叉樹，所以對于節(jié)點t來說，分裂后將產(chǎn)生兩個子節(jié)點tL和tR，設(shè)這兩個子節(jié)點的雜度分別為gini(tL)和gini(tR)，那么，在此次分裂過程中的雜度削減為：第六十一頁，共九十一頁，2022年，8月28日計算雜度削減第六十二頁，共九十一頁，2022年，8月28日停止準則

以下任何一個規(guī)則被滿足，節(jié)點將不再分裂這個節(jié)點是“純”的，即這個節(jié)點的所有樣本都屬于同一類別；對于每一個屬性（不包括類標號屬性），節(jié)點中的所有樣本都有相同的值；當前節(jié)點所在的深度已經(jīng)達到“最大樹深度”（如果定義有）；這個節(jié)點的樣本數(shù)量小于“父分支中的最小記錄數(shù)”（如果定義有）；這個節(jié)點分裂后產(chǎn)生的子節(jié)點中包含的樣本數(shù)量小于預(yù)定義的“子分支中的最小記錄數(shù)”（如果定義有）；分裂產(chǎn)生的雜度削減小于預(yù)定義的“最小雜度削減”（如果定義有）

第六十三頁，共九十一頁，2022年，8月28日樹的修剪葉子節(jié)點過多，則樹的復(fù)雜度高。葉子節(jié)點過少，則誤分類損失大。代價復(fù)雜度

第六十四頁，共九十一頁，2022年，8月28日樹的修剪過程令α=0，從T1=T(0)開始，這里的T(0)就是最大樹Tmax；逐漸增大α

，直到某個節(jié)點使得成立，將它的分支刪除，得到T2；重復(fù)上一步驟，直到被修剪到只有一個根節(jié)點，從而得到一個樹的序列T1,T2,…,Tk。第六十五頁，共九十一頁，2022年，8月28日子樹評估要找到一棵分類準確性最好、同時節(jié)點數(shù)量盡量少的樹計算每一棵子樹的誤分類損失：第六十六頁，共九十一頁，2022年，8月28日3.3.4在Clementine中應(yīng)用CART這里，以電信客戶數(shù)據(jù)（文件名為Telephone.sav）為例，討論分類回歸樹的具體操作以及如何通過交互操作控制決策樹的生長和剪枝過程。分析目標是，找到影響客戶流失的重要因素，以實現(xiàn)客戶流失的事前控制。第六十七頁，共九十一頁，2022年，8月28日數(shù)據(jù)流第六十八頁，共九十一頁，2022年，8月28日建模第六十九頁，共九十一頁，2022年，8月28日分類結(jié)果第七十頁，共九十一頁，2022年，8月28日

分析結(jié)論1在流管理器的Models卡中，鼠標右擊所得到的CART模型，選擇彈出菜單中的Brower項瀏覽默寫結(jié)果并選擇Generate菜單下的FilterNode項。于是，會在數(shù)據(jù)流編輯區(qū)自動生成一個Filter節(jié)點，將它連到數(shù)據(jù)流的恰當位置，可看到下圖結(jié)果：從圖中可知，只有性別對客戶流失的影響不大，其他因素都有影響。應(yīng)該注意到，這棵決策樹是代價復(fù)雜度最小的，但針對本例的分析目標，可適當減少復(fù)雜性、降低精度，以找到更主要的影響因素。第七十一頁，共九十一頁，2022年，8月28日Chi-SquareAutomaticInteractionDetectionCHAID提供了一種在多個自變量中自動搜索能產(chǎn)生最大差異的變量方案。不同于C＆R樹和QUEST節(jié)點，CHAID分析可以生成非二叉樹，即有些分割有兩個以上的分支。CHAID模型需要一個單一的目標和一個或多個輸入字段。CHAID分析，是一種用卡方統(tǒng)計，以確定最佳的分割，建立決策樹的分類方法。3.4CHAID算法（卡方自動交叉檢驗）第七十二頁，共九十一頁，2022年，8月28日CHAID方法CHAID根據(jù)細分變量區(qū)分群體差異的顯著性程度（卡方值）的大小順序，將消費者分為不同的細分群體，最終的細分群體是由多個變量屬性共同描述的，因此屬于多變量分析。在形式上，CHAID非常直觀，它輸出的是一個樹狀的圖形。

它以因變量為根結(jié)點，對每個自變量（只能是分類或有序變量，也就是離散性的，如果是連續(xù)變量，如年齡，收入要定義成分類或有序變量）進行分類，計算分類的卡方值(Chi-Square-Test)。如果幾個變量的分類均顯著，則比較這些分類的顯著程度（P值的大小），然后選擇最顯著的分類法作為子節(jié)點。第七十三頁，共九十一頁，2022年，8月28日CHAID過程

建立細分模型，根據(jù)卡方值最顯著的細分變量將群體分出兩個或多個群體，對于這些群體再根據(jù)其它的卡方值相對最顯著的細分變量繼續(xù)分出子群體，直到?jīng)]有統(tǒng)計意義上顯著的細分變量可以將這些子群體再繼續(xù)分開為止。第七十四頁，共九十一頁，2022年，8月28日CHAID的適用范圍

當預(yù)測變量是分類變量時，CHAID方法最適宜。對于連續(xù)型變量，CHAID在缺省狀態(tài)下將連續(xù)變量自動分為10段處理，但是可能有遺漏。第七十五頁，共九十一頁，2022年，8月28日CHAID模塊的優(yōu)點-不像CART和QUEST模塊，CHAID可產(chǎn)生多分枝的決策樹-目標變量可以定距或定類的-從統(tǒng)計顯著性角度確定分支變量和分隔值，進而優(yōu)化樹的分枝過程-CHAID是建立在因果關(guān)系的探討中的，依據(jù)目標變量實現(xiàn)對輸入變量眾多水平的劃分第七十六頁，共九十一頁，2022年，8月28日實例：以電信客戶數(shù)據(jù)Telephone.sav為例,討論CHAID具體操作。第七十七頁，共九十一頁，2022年，8月28日Clementine決策樹算法

C&RT、CHAID、C5.0的區(qū)別第七十八頁，共九十一頁，2022年，8月28日決策樹(decision