《基于Clementine的数据挖掘》课件—05决策树2.pptVIP

  • 30
  • 0
  • 约2.7千字
  • 约 25页
  • 2022-06-02 发布于安徽
  • 举报

《基于Clementine的数据挖掘》课件—05决策树2.ppt

效益评价(整体) 累计收益图:横坐标分位点,纵坐标累计收益(%) 累计响应图:横坐标分位点,纵坐标累积响应(%) 累计提升图:横坐标分位点,纵坐标累计提升度 累计利润图:横坐标分位点,纵坐标累积利润 累计投资回报率图:横坐标分位点,纵坐标累积ROI 模型的对比分析 选择通用指标评价:如误差、收益率、提升度等 Analysis节点:用于评价单个模型 区分预测置信度和倾向性得分。通常倾向性得分高于0.5,则可判断其预测类别为Yes。决策树中仅根据预测置信度无法判断预测类别 在逻辑回归中,一般置信水平越高,预测正确率会越高,但通常不分析置信水平和预测正确率的关系,原因是分析结果是一个模型 决策树得到是模型集合,为评价哪些模型更好,应分析置信水平和预测正确率的关系 模型的对比分析 Analysis节点: 给出各种情况下的置信水平 预测正确(错误)的规则的平均置信度 置信度到达怎样水平时,预测正确率将达到怎样的程度 Analysis节点:用于不同模型的对比评价 不同模型的收益对比(Evaluation节点) 决策树说明 决策树算法在处理不同类型数据时的优势和劣势 数值型的优势和劣势 不受数量级的影响 忽略分布特征 分类型的优势和劣势 建树效率高 类别较多时,树太茂盛 容易处理“混合类型”的输入变量 分类预测:决策树(二) 主要内容 分类回归树及应用 模型的对比分析 分类回归树 分类回归树

您可能关注的文档

文档评论(0)

1亿VIP精品文档

相关文档