强大直观的决策树分析:CHAID与CRT算法实战
在数据分析与可视化领域,决策树是一类重要的技术,包含多种算法。下面将详细介绍CHAID和CRT这两种算法,并通过实际案例展示它们的应用和效果。
1. CHAID算法构建决策树
- 数据准备 :使用Titanic_Results.sav数据集,选择Pclass、Age、Sex和Parch作为自变量,同时使用Train_Test作为分区变量进行训练/测试验证。
- 操作步骤 :
- 在决策树主菜单中选择相应自变量,注意变量的测量水平声明会影响树的结果。
- 进入验证子菜单,选择“Use variable”并指定“Split Sample By”为Train_Test。
- 让模型按默认设置运行,得到训练样本树和测试样本树。
训练样本树和测试样本树形状相同,但具体值因数据来源不同而有所差异。例如,对于女性且处于头等/二等舱的乘客,训练样本中的生存率为95.5%,测试样本中为93.2%。
| 项目 | 详情 |
|---|---|
| 根节点样本量 | 608,生存率38.7% |
| 最重要变量 | 性别和Pclass |
订阅专栏 解锁全文
8万+



被折叠的 条评论
为什么被折叠?



