spss数据分析课件-modeler决策树.pptVIP

三、决策树分析应用 子任务1 【步骤9】双击生成结果“是否参与公益活动” ，弹出“是否参与公益活动”对话框，选择“模型”选项卡，查看在结果分类中优先考虑字段。 从“预测变量重要性”来看，影响“是否参与公益活动”的字段，优先是“家长是否鼓励”，其次是“在校综合评价指数”。 三、决策树分析应用 子任务1 【步骤10】单击“查看器”选项卡，单击“表和图形”按钮 和“横向显示”按钮 。 三、决策树分析应用 子任务1 根据这个分析结果，如果今后要招募参加公益活动的学生，可以从家长经常鼓励的学生中去找，因为相对概率较高（55.556% 44.444%），其次再从在校综合评价指数大于107的学生中找，因为相对概率较高（93.75%6.25%）。 三、决策树分析应用 2.“boosting”决策树优化模型 boosting 的加权投票机制是指上一次训练中判定错误的点在下一次训练中加大权重，这样就容易把这些判定错误的点找出来，进行区分。 就像生活中的抽查卫生，如果遇到表现不好的地方，就会加大抽查力度。 三、决策树分析应用 2.“boosting”决策树优化模型 若某个点原来被抽到概率为0.1，如果表现不好，下次抽查被抽到的概率就加大到0.2。boosting 加权投票机制通过多个分类模型投票决定最终结果，采用“少数服从多数”的原则，如3 个模型中，2 个判定成功，1 个判定失败，最终就判定为成功。 三、决策树分析应用 2.“boosting”决策树优化模型 子任务2：新建“决策树优化.str”数据流，导入“电信客户数据.sav”，利用决策树5.0 算法生成决策树，并利用boosting 建立3 个关联模型进行优化，研究哪些因素显著影响客户流失，其中“流失”为目标字段，其余字段为输入字段（除了“收入”“教育程度”和“年龄”字段）。 三、决策树分析应用 子任务2 【步骤1】新建数据流文件，并保存为“决策树优化.str ” ，保存路径为“桌面”。 【步骤2】添加“源”选项卡中的“Statistics 文件”节点，将其添加到数据流编辑器区中。 三、决策树分析应用 子任务2 【步骤3】双击“Statistics 文件”节点，弹出“Statistics 文件”对话框，选择文件“电信客户数据.sav ”路径。 三、决策树分析应用 子任务2 【步骤4】单击“Statistics 文件”对话框的“确定”按钮，返回数据流编辑界面，“Statistics文件”节点名称自动改为“电信客户数据.sav”。 添加“字段选项”选项卡中“过滤器”节点，并添加“电信客户数据.sav”节点与“过滤器”节点之间连接。 三、决策树分析应用 子任务2 【步骤 5】双击“过滤器”节点，弹出“过滤器”对话框，去掉 “年龄”“收入”“教育程度” 3 个字段。 三、决策树分析应用 子任务2 【步骤6】单击“过滤器”对话框的“确定”按钮，返回数据流编辑界面。添加“字段选项”选项卡中“类型”节点，并添加“过滤器”节点与“类型”节点之间的连接。 三、决策树分析应用 子任务2 【步骤7】双击“类型”节点，弹出“类型”对话框，在“角色”选项中，将“流失”字段设置为“目标”角色，其余字段设为“输入”角色。 三、决策树分析应用 子任务2 【步骤8】单击“类型”对话框的“确定”按钮，返回数据流编辑界面。添加“建模”选项卡中“C5.0”节点，并添加“类型”节点与“流失”节点之间的连接，“C5.0”节点名称自动改为“流失”。 三、决策树分析应用 子任务2 【步骤9】双击“流失”节点，弹出“流失”对话框，选择“模型”选项卡，在“输出类型”选项中选择“决策树”，勾选“使用boosting”，在实验次数中输入“3”。 三、决策树分析应用 子任务2 【步骤10】单击“流失”对话框的“确定”按钮，返回数据流编辑界面。运行数据流，生成结果。 三、决策树分析应用 子任务2 【步骤11】双击生成结果“流失”节点，弹出“流失”对话框，选择“模型”选项卡，查看3 个关联模型的预测准确。 三、决策树分析应用 子任务2 Modeler 给出了3 个决策树模型的推理规则，每个模型都有自己的预测精度。 第1 个模型的精度为81.4%。 第2 个模型的精度为65.97%。 第3 个模型的精度为85.16%。 综合三个模型，准确性为81.7%。 三、决策树分析应用 子任务2 【步骤12】单击“流失”对话框的“确定”按钮，返回数据流编辑界面。添加“输出”选项卡中的“表格”节点，并添加结果“流失”与“表格”节点之间的连接。 三、决策树分析应用 子任务2 【步骤13】单击“表格”节点，运行该节点。在弹出的运行结果对话框中，单击值标签切换按钮 ，查看结果。 三、决策树分析应用 子任务2 倒数第3 个