构建乐动体育平台所需的树状决策.doc

构建乐动体育平台所需的树状决策决策树状结构程序会建立树状结构的分类模型。它会根据自变数（预测值）的值，将观察值分组，或应变数（目标）的预测值。这个程序会提供用于解释与确认分类分析的验证工具。这个程序可以用于：分段。识别有可能是特殊群组成员的人员。分层。将观察值指定给其中一个种类，例如高风险、中风险与低风险群组。预测。建立规则并用这些规则来预测未来的事件，例如某人可能会借贷，或是汽车或房屋的潜在重新销售值。资料缩减与变数筛检。从一个大型的变数集合中选取一个有用的预测值子集，用于建立一个正式的参数模型。交互作用识别。识别只与特定子群组有关的关系并在正式的参数模型中指定这些项目。种类合并与离散化连续的变数。使用遗失最少资讯的方式将群组预测变数种类与连续变数重新编码。范例。假设某家银行打算根据信用申请人是否有合理的信用风险，来将这些申请人加以分类。根据各种因素，包括过去客户的已知信用评等，您就可以建立一个模型来预测未来的客户是否有可能进行借贷。树状结构分析会提供一些引人注意的功能： 它可以让您识别具有高风险或低风险的同质群组。 它可以更容易建构有关个别观察值进行预测的规则。资料考量资料。应变数和自变数可以是： 名义 . 当变数值代表实质上并未等级化的种类时（例如，有员工工作的乐动体育部门），则此变数可视为名义。名义变数的范例包括区域、邮递区号及宗教团体。 序数 . 当变数值代表实质上已等级化的种类时（例如，服务满意度从非常不满意到非常满意分级），则此变数可视为序数。序数变数的范例包括代表满意度或信赖程度的态度分数以及偏好等级分数。 尺度(S) . 如果某一变数可视为尺度（连续），表示它的值代表含有实际意义矩阵的已排序种类，因此适合比较值之间的距离。尺度变数的范例包括以年份表示的年龄及以千元为单位的收入。频率加权如果加权生效的话，则分数加权就会舍入为最接近的整数，所以，加权值少于0.5或是大于LD90.VIP上面的的观察值就会被指定一个0的加权，进而从分析中被排除在外。假设。这个程序会假设已经将适当的测量层次指定给所有分析变数，而且某些功能会假设包含在分析中的应变数的所有值都已经定义数值标签。 测量层次。测量层次会影响树状结构计算作业，因此所有变数都应该指定适当的测量层次。根据预设，数值变数是假设为尺度变数而字串变数则假设为名义变数，它们可能无法精确反映真正测量的层次。变数清单中各变数旁图示会指明变数类型。 您可以藉由在来源变数清单按一下滑鼠右键，从蹦现功能表选取测量层次，暂时变更变数的测量层次。 o 值标签。此程序的对话框介面假设种类（名义、序数）应变数的所有非遗漏值均已定义数值标签，或者没有一个非遗漏值已定义。有些功能至少需要种类应变数的两个遗漏值具有数值标签，否则无法使用。如果至少两个非遗漏值已定义数值标签，当有任何观察值具有其他无数值标签的数值时，该观察值会从分析中排除。 您可以使用来协助您定义测量层次与数值标签两者。取得乐动体育所需决策树状结构此功能需要预测及决策树状结构。1. 从功能表中选择：分析 分类 决策树状结构2. 选取应变数。3. 选取一个或多个自变数。4. 选取一个成长方法。视需要而定，您可以： 变更来源清单中任何变数的测量层次。 强制自变数清单中的第一个变数进入模型中当作第一个分割变数。 选取定义观察值影响树状结构成长过程之程度的影响变数。观察值的影响变数数值较低，则影响力较小；反之则影响力较大。影响变数值必须为正数。 验证树状结构。 自订树状结构成长条件。 将终端节点数、预测值以及预测机率另存成变数。 以xmxxxxl (PMML) 格式储存模型。成长方法可用的成长方法包括：CHAID卡方自动互动侦测。CHAID 会在每个步骤中，选择与应变数具有最强交互作用的自(预测) 变数。如果每个预测变数的种类相对于应变数没有明显不同，则会合并这些种类。Exhaustive CHAID对CHAID 的修改，它会检查每个预测值所有可能的分割。CRT分类与回归树状结构。CRT 会尽量将资料分割成与应变数相关的同质资料区段。所有观察值皆具有相同应变数值的终端节点，是纯同质节点。