实验六、分类和回归树节点(CRT).docVIP

实验报告 学院 南徐学院 班级姓名 朱亚军 成绩 课程 名称 数据挖掘 实验项目 名 称 分类和回归树节点(C&RT) 指导教师 教师评语 教师签名： 年 月 日 实验目的 1、掌握C&RT分类算法。 2、掌握决策树的建立和修剪 3、了解C&RT分类算法在管理决策中的应用。 二、实验内容 1、C&RT分类算法建立决策树 三、实验步骤 分类和回归树节点 (C&RT) 是一种基于树的分类和预测方法，此方法使用递归分区将训练记录分割为多个具有相似的输出字段值的段。在本示例中，将 C&RT 应用于某市场研究，其中的目标字段为有意预订有线电视交互服务。预测变量字段包括年龄、性别、教育、收入类别、每天看电视的时间和子女数（按有序集合编码，因为值 8 表示 8 个或更多）。 此示例使用名为 Newschancart.str 的流，此流引用名为 NewsChan.sav 的数据文件。可以从任何 Clementine Client 安装软件的 Demos 目录下找到这些文件，也可以通过从 Windows 的开始菜单下选择 Start > [All] Programs > SPSS Clementine 12.0> Demos 来访问这些文件。文件 Newschancart.str 位于 Base_Module 目录下。 1、创建树 要创建流，可执行下列操作： 在 Demos 文件夹中添加指向 NewsChan.sav 的 SPSS 文件源节点。为流添加类型节点。 在类型节点中选择读取值以实例化字段。选择 NEWSCHAN 并将其类型设置为标志，将其方向设置为输出。其他所有字段用作预测变量（输入）。 将 C&RT 节点连接到类型节点。在“模型”选项卡上，选择启动交互会话作为构建选项。这样，在执行节点时将启动“交互树”窗口，通过该窗口可以在生成模型之前生成并编辑树。 在“专家”选项卡上选择专家模式并选择修剪树和使用标准误规则。将最小杂质改变值设置为 0.003。增加此值可避免进行改进意义十分微小的分割，从而倾向于生成较简单的树。 要指定停止标准，可在“专家”选项卡上单击停止。在“停止标准”对话框中选择使用绝对值。将最小绝对临界值更改为 25 和 10，然后单击确定。 行节点。此时将出现交互树窗口，在其中可以生成并编辑树。 最初，仅显示根节点。统计显示训练数据中有 442 个记录。因为尚未分割树，因此所有的记录 (100%) 都落在此节点中。在整个示例中，有 215 个记录对预订的响应为是，其总响应率为 48.6%。使用树模型，我们可以尝试是否能够通过找到最有可能作出积极响应的子组来提高此匹配率。 提示：要查看字段标签，例如否和是响应的标签，可单击菜单栏上的显示字段和值的标签按钮 在“查看器”选项卡上，单击根节点以选中它并从菜单中选择以下项： 树 生成树和修剪 生成的树具有五层和五个终端节点。（要查看整个树，可使用缩放工具或单击工具栏右侧的图窗口工具按钮。）如果尚未选中修剪选项，则树可能会复杂得多。修剪操作基于成本复杂性算法，此算法可根据终端节点数调整风险评估。 2、生成模型和节点以便评分 使用决策树时，共有几个选项可用于生成或导出会话结果。其中两个常用的选项为根据当前树生成模型或根据当前树生成选择节点。这些选项会在下面各节中进行说明。 有关其他选项的说明，例如过滤节点和规则集，请参阅 Clementine 帮助。 根据当前树生成模型 可使用此流生成模型，该模型可根据分配到节点的记录的积极响应率对这些记录进行评分。在交互树窗口的“查看器”选项卡上，从“生成”菜单中选择生成模型。 此时将出现“生成新模型”对话框。 在“生成新模型”对话框中，输入新模型的名称（可选），然后单击确定。 该模型位于流工作区中。 在流工作区中，将生成的 NEWSCHAN1 模型连接到类型节点。 在生成的 NEWSCHAN1 模型中，单击设置选项卡，选择计算置信度和规则 ID，然后单击确定。 连接表节点并执行流。 已执行的表中显示了可能接受有线电视服务预订的用户的记录。$R-NEWSCHAN 列显示了对这些记录的预测结果。如果某记录显示的值为 1，则可以预测该用户对预订的响应为是。 如果需要，可将此生成的模型保存到模型选项板上以备将来的数据使用。右键单击流中的 NEWSCHAN1 模型并选择添加到模型选项板。然后单击模型选项板上的模型并选择保存模型。 生成选择节点 还可以生成选择节点，该节点包括所有落在节点 2 和 13 中的记录。然后，可以使用具有新数据的选择节点确定哪些用户最有可能对预订做出积极的响应。 ? 在交互树窗口中，使用按住 Ctrl 键并单击的方法选中节点 2