摘要：決策樹(shù)主要用來(lái)描述將數(shù)據(jù)劃分為不同組的規(guī)則。第一條規(guī)則首先將整個(gè)數(shù)據(jù)集劃分為不同大小的子集，然后將另外的規(guī)則應(yīng)用在子數(shù)據(jù)集中，數(shù)據(jù)集不同相應(yīng)的規(guī)則也不同，這樣就形成第二層數(shù)據(jù)集的劃分。一般來(lái)說(shuō)，一個(gè)子數(shù)據(jù)集或者被繼續(xù)劃分或者單獨(dú)形成一個(gè)分組。

1.預(yù)測(cè)模型案例概述

一家金融服務(wù)公司為客戶(hù)提供房屋凈值貸款。該公司在過(guò)去已經(jīng)拓展了數(shù)千凈值貸款服務(wù)。但是，在這些申請(qǐng)貸款的客戶(hù)中，大約有20%的人拖欠貸款。通過(guò)使用地理、人口和金融變量，該公司希望為該項(xiàng)目建立預(yù)測(cè)模型判斷客戶(hù)是否拖欠貸款。

2.輸入數(shù)據(jù)源

分析數(shù)據(jù)之后，該公司選擇了12個(gè)預(yù)測(cè)變量來(lái)建立模型判斷貸款申請(qǐng)人是否拖欠?；貞?yīng)變量（目標(biāo)變量）標(biāo)識(shí)房屋凈值貸款申請(qǐng)人是否會(huì)拖欠貸款。變量，以及它們的模型角色、度量水平、描述，在下表中已經(jīng)顯示。

SAMPSIO.HMEQ數(shù)據(jù)集中的變量，SAMPSIO庫(kù)中的數(shù)據(jù)集HMEQ包括5960個(gè)觀測(cè)值，用來(lái)建立和比較模型。該數(shù)據(jù)集被劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集，從而對(duì)數(shù)據(jù)進(jìn)行分析。

3.創(chuàng)建處理流程圖

添加結(jié)點(diǎn)

連接結(jié)點(diǎn)

定義輸入數(shù)據(jù)

為了定義輸入數(shù)據(jù)，右鍵輸入數(shù)據(jù)源結(jié)點(diǎn)，選擇打開(kāi)菜單，彈出輸入數(shù)據(jù)對(duì)話框。默認(rèn)情況下，數(shù)據(jù)選項(xiàng)卡是激活的。

點(diǎn)擊select按鈕選擇數(shù)據(jù)集，

4.理解原數(shù)據(jù)樣本

所有分析包在分析過(guò)程中必須定義如何使用這些變量。為了先對(duì)這些變量進(jìn)行評(píng)估，EM采用元數(shù)據(jù)方式處理。默認(rèn)方式下，它從原始數(shù)據(jù)集中隨即抽取2000個(gè)觀測(cè)樣本，用這些信息給每個(gè)變量設(shè)置模型角色和度量水平。它也計(jì)算一些簡(jiǎn)單統(tǒng)計(jì)信息顯示在附加選項(xiàng)卡中。如果需要更多的樣本量，點(diǎn)擊右下角的Change按鈕，設(shè)置樣本量。

評(píng)估這些元數(shù)據(jù)創(chuàng)建的賦值信息，可以選擇變量選項(xiàng)卡查看相關(guān)信息。

從圖中可以發(fā)現(xiàn)，Name列和Type列不可用。這些列表示來(lái)自SAS數(shù)據(jù)集的信息在這個(gè)結(jié)點(diǎn)中不能修改。名稱(chēng)必須遵循命名規(guī)范。類(lèi)型分為字符型和數(shù)值型，它將影響該變量如何使用。EM使用Type的值和元數(shù)據(jù)樣本中級(jí)別的數(shù)量初始化每個(gè)變量的模型角色和度量級(jí)別。

5.定義目標(biāo)變量

在該分析中，BAD是一個(gè)響應(yīng)變量，將BAD變量的模型角色設(shè)置為target類(lèi)型。右鍵BAD變量的Model Role列，設(shè)置模型角色。

6.觀察變量分布

我們可以根據(jù)元數(shù)據(jù)樣本觀察每個(gè)變量的分布情況。譬如，查看BAD變量的分布情況，右鍵BAD變量的Name列查看BAD的分布情況。

7.修改變量信息

為了保證剩下的變量擁有正確的模型角色和度量級(jí)別，將DEROG和DELINQ的度量級(jí)別設(shè)置為有序（Ordinal）。右鍵DEROG變量的Measurement列，設(shè)置為Ordinal。

8.查看描述性統(tǒng)計(jì)信息

點(diǎn)擊Interval Variables選項(xiàng)卡和class variables選項(xiàng)卡可以查看變量的基本統(tǒng)計(jì)信息。

9.觀察數(shù)據(jù)劃分結(jié)點(diǎn)的默認(rèn)設(shè)置

打開(kāi)數(shù)據(jù)劃分結(jié)點(diǎn)，默認(rèn)方式下，劃分選項(xiàng)卡是被激活的。數(shù)據(jù)劃分方法顯示在方法顯示面板。
 

EM對(duì)輸入數(shù)據(jù)集進(jìn)行抽樣，將原數(shù)據(jù)集分成訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集。默認(rèn)情況下，采用簡(jiǎn)單隨機(jī)抽樣方法。并且，可以選擇層次抽樣或者自定義抽樣方法。另外，還可以為初始隨機(jī)抽樣過(guò)程定義隨機(jī)種子。

在選項(xiàng)卡的右邊，可以設(shè)置訓(xùn)練、驗(yàn)證和測(cè)試數(shù)據(jù)集的比例，它們之和為100%。

打開(kāi)樹(shù)節(jié)點(diǎn)，設(shè)置決策樹(shù)模型，在變量選項(xiàng)卡中查看變量的狀態(tài)、模型角色和度量方式。（如果度量方式不準(zhǔn)確，在樹(shù)節(jié)點(diǎn)中是不能修改的。需要在數(shù)據(jù)源輸入節(jié)點(diǎn)中進(jìn)行更正）并且，樹(shù)節(jié)點(diǎn)可以處理缺失值現(xiàn)象。

選擇基本選項(xiàng)卡，很多構(gòu)建決策樹(shù)的選項(xiàng)在該選項(xiàng)卡設(shè)定。劃分標(biāo)準(zhǔn)依賴(lài)于目標(biāo)變量的度量方式。對(duì)于二值或者名義目標(biāo)變量，默認(rèn)的劃分標(biāo)準(zhǔn)是重要水平為0.2的卡方檢驗(yàn)。另外，也可以選擇熵方法或者基尼系數(shù)方法作為劃分標(biāo)準(zhǔn)。對(duì)于順序目標(biāo)變量，只有熵和基尼方法可選。對(duì)于區(qū)間變量，有兩種劃分標(biāo)準(zhǔn)選擇，默認(rèn)方法和F檢驗(yàn)或者方差檢驗(yàn)。

在設(shè)置樹(shù)的增長(zhǎng)和大小中，默認(rèn)方式下，只有二值劃分是允許的，樹(shù)的最大深度是6，最小的觀測(cè)值數(shù)量是1。然而，為了劃分節(jié)點(diǎn)依舊需要設(shè)置節(jié)點(diǎn)中觀測(cè)值數(shù)量。默認(rèn)的在訓(xùn)練集中的觀測(cè)值數(shù)量是100。

關(guān)閉樹(shù)節(jié)點(diǎn)，運(yùn)行樹(shù)節(jié)點(diǎn)，查看運(yùn)行結(jié)果。
在查看菜單，點(diǎn)擊樹(shù)狀結(jié)構(gòu)，查看決策樹(shù)型圖

在該圖中，可以發(fā)現(xiàn)6個(gè)葉子節(jié)點(diǎn)。

除非注明來(lái)源，本站文章均為原創(chuàng)或編譯，轉(zhuǎn)載請(qǐng)注明出處并保留鏈接。數(shù)據(jù)分析網(wǎng) ? SAS-EM 決策樹(shù)操作案例。

原文鏈接：http://blog.sina.com.cn/s/blog_61c463090100m1e2.html