spss软件 决策树

?

在关闭时如果Tree节点没有弹出对话框让你存储改动，这说明原有的设置没有被修改，这是你要重新打开这个节点并重新修改设置.

6. 重新运行Tree节点并浏览结果.

这个最佳树有 8 个树叶。在验证数据上的精度略有下降，为88.56%. 7. 选择 View ? Tree 看树图.

注意在DEBTINC上的第一个裂分下面有4个分枝. 8. 浏览后关闭树图及节点窗口. 比较模型

Assessment 节点用于比较模型.

1. 要从Assessment 节点运行框图, 右击Assessment 节点并选择Run. 2. 在弹出的对话框中选 Yes查看结果.

3. 在 Assessment Tool 窗口, 点击并拖拽鼠标把两个模型都选上. 4. 选择Tools ? Lift Chart.

? 右击Tool Name框内空白处，选择format，选择model name

缺省给出的是一个 Cumulative %Response（累积因变量％） 图。根据缺省，人群按预测的因变量概率划分为10个等分组，然后画出实际的因变量百分数（即Ｙ轴）。要看实际值，点击View Info 工具然后点击模型对应的折线。点击靠近图形左上角的Tree-2 线，得到%Response 为 82.06, 含义是什么呢？

要解释Cumulative %Response 图，需知道它是如何生成的.

? 就这个例子而言，响应人（responder）被定义为一个欺诈贷款的人 (BAD=1). 对每一个人，拟和的模型（在此是一个决策树）给出了此人将来会欺诈贷款的概率预测。把所有的记录按响应的预测概率从大到小排序. ? 把人分成有序组，每一组包含大约10% 的数据记录.

? 使用目标变量BAD, 计算每一组实际响应人的百分数c.

如果模型有用，响应者（欺诈者）的比例在响应预测概率高的组将会相对高。前面给出的累积响应曲线显示了前10%, 20%, 30%等实际响应者的百分数。在前 10%的组里, 80% 多的人是贷款欺诈者；在前 10%的组里, 欺诈者的比例下降到只有72%. 水平线代表的是用于比较的基准比率（大约20%）, 这个比率是你随机抽样时预期的欺诈者百分数的估计. 上图给出的累积百分数，但你还可以选择图形左边Non-Cumulative旁边的圆钮查看每一个组里响应者的比例.

选择 Non-Cumulative 旁边的圆钮并查看图形. Cumulative %Response

Non-Cumulative %Response

Non-Cumulative 图形表明一旦预测概率的值在前20%以外，欺诈率要比你选一个随机样本所期望的欺诈率要低.

选择 Cumulative 然后选 Lift Value. 提升图描画的在不同标度上的相同信息。记得总体的响应率大约为20%。提升图可通过把每一个小组的响应率除以总体响应率得到。因此提升图描绘的是基于基础线的相对改进. Cumulative %Response

Cumulative Lift Value

我们知道在按预测概率排序的前10% 的组里欺诈者比例为82.06%. 82.06% 除以20% (baseline rate) 得到略大于4的数, 这表明你在这个组里会得到比相同人数的简单随机样本里4 倍多的欺诈者.

你可能会提出这样的问题：\每一个组里响应者占全部响应者的百分数是多少？\。这个百分数是用％Captured Response计算的。要查看计算结果，选择êptured Response旁边的圆钮。用 View Info 工具评价模型的性能。

你可以看到如果你拒绝申请者的百分数为

? 20%, 你可能挑出了大约70% 将会欺诈的人(提升比例是 3.5!). ? 40%,你可能挑出了大约80% 将会欺诈的人(提升比例大于2!).