摘要：決策樹主要用來描述將數據劃分為不同組的規則。第一條規則首先將整個數據集劃分為不同大小的子集，然后將另外的規則應用在子數據集中，數據集不同相應的規則也不同，這樣就形成第二層數據集的劃分。一般來說，一個子數據集或者被繼續劃分或者單獨形成一個分組。

1.預測模型案例概述

一家金融服務公司為客戶提供房屋凈值貸款。該公司在過去已經拓展了數千凈值貸款服務。但是，在這些申請貸款的客戶中，大約有20%的人拖欠貸款。通過使用地理、人口和金融變量，該公司希望為該項目建立預測模型判斷客戶是否拖欠貸款。

2.輸入數據源

分析數據之后，該公司選擇了12個預測變量來建立模型判斷貸款申請人是否拖欠?；貞兞浚繕俗兞浚俗R房屋凈值貸款申請人是否會拖欠貸款。變量，以及它們的模型角色、度量水平、描述，在下表中已經顯示。

SAMPSIO.HMEQ數據集中的變量，SAMPSIO庫中的數據集HMEQ包括5960個觀測值，用來建立和比較模型。該數據集被劃分為訓練集、驗證集和測試集，從而對數據進行分析。

3.創建處理流程圖

添加結點

連接結點

定義輸入數據

為了定義輸入數據，右鍵輸入數據源結點，選擇打開菜單，彈出輸入數據對話框。默認情況下，數據選項卡是激活的。

點擊select按鈕選擇數據集，

4.理解原數據樣本

所有分析包在分析過程中必須定義如何使用這些變量。為了先對這些變量進行評估，EM采用元數據方式處理。默認方式下，它從原始數據集中隨即抽取2000個觀測樣本，用這些信息給每個變量設置模型角色和度量水平。它也計算一些簡單統計信息顯示在附加選項卡中。如果需要更多的樣本量，點擊右下角的Change按鈕，設置樣本量。

評估這些元數據創建的賦值信息，可以選擇變量選項卡查看相關信息。

從圖中可以發現，Name列和Type列不可用。這些列表示來自SAS數據集的信息在這個結點中不能修改。名稱必須遵循命名規范。類型分為字符型和數值型，它將影響該變量如何使用。EM使用Type的值和元數據樣本中級別的數量初始化每個變量的模型角色和度量級別。

5.定義目標變量

在該分析中，BAD是一個響應變量，將BAD變量的模型角色設置為target類型。右鍵BAD變量的Model Role列，設置模型角色。

6.觀察變量分布

我們可以根據元數據樣本觀察每個變量的分布情況。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別，將DEROG和DELINQ的度量級別設置為有序（Ordinal）。右鍵DEROG變量的Measurement列，設置為Ordinal。

8.查看描述性統計信息

點擊Interval Variables選項卡和class variables選項卡可以查看變量的基本統計信息。

9.觀察數據劃分結點的默認設置

打開數據劃分結點，默認方式下，劃分選項卡是被激活的。數據劃分方法顯示在方法顯示面板。
 

EM對輸入數據集進行抽樣，將原數據集分成訓練、驗證和測試數據集。默認情況下，采用簡單隨機抽樣方法。并且，可以選擇層次抽樣或者自定義抽樣方法。另外，還可以為初始隨機抽樣過程定義隨機種子。

在選項卡的右邊，可以設置訓練、驗證和測試數據集的比例，它們之和為100%。

打開樹節點，設置決策樹模型，在變量選項卡中查看變量的狀態、模型角色和度量方式。（如果度量方式不準確，在樹節點中是不能修改的。需要在數據源輸入節點中進行更正）并且，樹節點可以處理缺失值現象。

選擇基本選項卡，很多構建決策樹的選項在該選項卡設定。劃分標準依賴于目標變量的度量方式。對于二值或者名義目標變量，默認的劃分標準是重要水平為0.2的卡方檢驗。另外，也可以選擇熵方法或者基尼系數方法作為劃分標準。對于順序目標變量，只有熵和基尼方法可選。對于區間變量，有兩種劃分標準選擇，默認方法和F檢驗或者方差檢驗。

在設置樹的增長和大小中，默認方式下，只有二值劃分是允許的，樹的最大深度是6，最小的觀測值數量是1。然而，為了劃分節點依舊需要設置節點中觀測值數量。默認的在訓練集中的觀測值數量是100。

關閉樹節點，運行樹節點，查看運行結果。
在查看菜單，點擊樹狀結構，查看決策樹型圖

在該圖中，可以發現6個葉子節點。

除非注明來源，本站文章均為原創或編譯，轉載請注明出處并保留鏈接。數據分析網 ? SAS-EM 決策樹操作案例。

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