决策树结果解读：分裂规则、树深度与剪枝策略.docxVIP

决策树分类分析结果解读

决策树（DecisionTree）是机器学习中一种直观且易于理解的非监督学习方法，其结构类似于树形图，包含一个根节点、若干个内部节点和若干个叶节点。每个内部节点对应一个属性测试，叶节点对应一个分类结果，从根节点到叶节点的每条路径代表一条分类规则。决策树通过递归地将样本集合按照特征值进行划分，使得每个子集中的样本尽可能属于同一类别。决策树具有可解释性强、无需数据预处理等优点，但容易出现过拟合问题，可通过剪枝技术加以缓解。本研究基于SPSSAU平台，采用CART决策树算法对鸢尾花数据集进行三分类建模分析。

在SPSSAU【机器学习】模块选择【决策树】，将变量拖拽至右侧对应分析框，操作如下图：

一、数据基本信息

本次分析采用鸢尾花（Iris）数据集，共包含150个样本，分为刚毛鸢尾花（A）、变色鸢尾花（B）和弗吉尼亚鸢尾花（C）三类，每类各50个样本，各占33.333%。自变量为X1、X2、X3、X4四个特征指标，因变量Y为鸢尾花类别。数据集无缺失值，三类样本完全均衡，适合进行决策树分类建模。

从表1可以看出，150个样本全部有效，三类鸢尾花各50个，类别分布完全均衡，为决策树模型的训练和评估提供了良好的数据基础。

二、特征权重分析

从表2特征权重可以看出，各特征对决策树模型分类的贡献呈现高度集中的特点。X4的权重高达92.20%，是模型分类的绝对核心特征，说明