决策树亚太杯分赛道五岳杯一等奖.docxVIP

分析流程

数据源：

问题1-计算数据.xlsx

算法配置：

算法：决策树分类

分析结果：

决策树分类基于准确率、召回率、精确率、F1指标对模型进行评价，请看详细结论。

分析步骤

1.通过训练集数据来建立决策数分类模型，得到决策树结构。

2.通过建立的决策树来计算特征重要性。

3.将建立的决策树分类模型应用到训练、测试数据，得到模型的分类评估结果。

4.由于决策树具有随机性，每次运算的结果不一样，若保存本次训练模型，后续可以直接上传数据代入到本次训练模型进行计算分类。

5.注：决策树无法像传统模型一样得到确定的方程，在每个决策节点上，所选择的分割特征决定了最终的分类结果，通常通过测试数据分类效果来对模型进行评价。

详细结论

输出结果1：模型参数

参数名

参数值

训练用时

0.054s

数据切分

0.7

数据洗牌

是

交叉验证

10

节点分裂评价准则

gini

特征划分点选择标准

best

划分时考虑的最大特征比例

None

内部节点分裂的最小样本数

2

叶子节点的最小样本数

1

叶子节点中样本的最小权重

0

叶子节点的最大数量

50

树的最大深度

10

节点划分不纯度的阀值

0

图表说明：

上表展示了模型各项参数配置以及模型训练时长。

输出结果2：决策树结构

图表说明：

上图展示了决策树结构，内部节点给出了被分枝特征的具体切分情况，即根据某个特征的某个切分值进行划分。

（若节点数大于30，点击下载按钮查看决策树结构）

●gini/信息熵用以确定对哪一个特征进行切分。

●样本种类分布是该节点中属于各个分类组别的样本数量，如[10,5,5]表示三种分类组别分别有10、5、5个样本数量。

●分类情况是该节点的样本统一被划分到的分类组别（这是由拥有最大样本量的组别所决定的）。

PS：特别注意的是，若节点数大于30，系统提供下载按钮查看决策树结构；若节点数大于2000，由于树结构渲染模糊，系统不提供下载导出。

输出结果3：特征重要性

图表说明：

上柱形图或表格展示了各特征（自变量）的重要性比例。

输出结果4：混淆矩阵热力图

图表说明：

上表以热力图的形式展示了混淆矩阵。

输出结果5：模型评估结果

准确率

召回率

精确率

F1

训练集

0.899

0.899

0.898

0.896

交叉验证集

0.727

0.727

0.724

0.723

测试集

0.693

0.693

0.67

0.673

图表说明：

上表中展示了训练集和测试集的分类评价指标，通过量化指标来衡量决策树对训练、测试数据的分类效果。

●准确率：预测正确样本占总样本的比例，准确率越大越好。

●召回率：实际为正样本的结果中，预测为正样本的比例，召回率越大越好。

●精确率：预测出来为正样本的结果中，实际为正样本的比例，精确率越大越好。

●F1：精确率和召回率的调和平均，精确率和召回率是互相影响的，虽然两者都高是一种期望的理想情况，然而实际中常常是精确率高、召回率就低，或者召回率低、但精确率高。若需要兼顾两者，那么就可以用F1指标。

输出结果6：预测结果

预测结果Y

Classification

预测测试结果概率_1.0

预测测试结果概率_2.0

Currentcheckingaccountstatus

Durationwithinmonth

Credithistory

Purpose

Creditamount

Savingsaccount/bonds

Presentemploymentsince

Installmentrateinpercentageofdisposableincome

Personalstatusandsex

Otherdebtors/guarantors

Presentresidencesince

1.0

1.0

0.9545454545454546

0.045454545454545456

4

21

2

32

3160

5

3

4

5

3

3

1.0

2.0

1

0

2

15

2

8

802

5

3

4

5

3

3

1.0

1.0

1

0

2

36

4

23

2337

5

3

4

5

3

4

1.0

1.0

1

0

2

24

2

12

1201

2

3

4

2

3

1

1.0

1.0

0.9545454545454546

0.045454545454545456

4

12

4

15

1495

5

3

4

5

3

1

1.0

1.0

1

0

4

24

4

68

6842

3

3

2

3

3

4

1.0

2.0

0.875

0.125

1

12

2

34

3386

5

3

3

5

3

4

1.0

1.0

0.7777777777777778

0.2222