SPSS分類分析：決策樹

一、決策樹（分析-分類-決策樹）

“決策樹”過程創建基于樹的分類模型。它將個案分為若干組，或根據自變量（預測變量）的值預測因變量（目標變量）的值。此過程為探索性和證實性分類分析提供驗證工具。

1、分段。確定可能成為特定組成員的人員。

2、層次。將個案指定為幾個類別之一，如高風險組、中等風險組和低風險組。

3、預測。創建規則并使用它們預測將來的事件，如某人將拖欠貸款或者車輛或住宅潛在轉售價值的可能性。

4、數據降維和變量篩選。從大的變量集中選擇有用的預測變量子集，以用于構建正式的參數模型。

5、交互確定。確定僅與特定子組有關的關系，并在正式的參數模型中指定這些關系。

6、類別合并和連續變量離散化。以最小的損失信息對組預測類別和連續變量進行重新碼。

7、示例。一家銀行希望根據貸款申請人是否表現出合理的信用風險來對申請人進行分類。根據各種因素（包括過去客戶的已知信用等級），您可以構建模型以預測客戶將來是否可能拖欠貸款。

二、增長方法（分析-分類-決策樹）

1、CHAID.卡方自動交互檢測。在每一步，CHAID選擇與因變量有最強交互作用的自變量（預測變量）。如果每個預測變量的類別與因變量并非顯著不同，則合并這些類別。

2、窮舉CHAID.CHAID的一種修改版本，其檢查每個預測變量所有可能的拆分。

3、CRT.分類和回歸樹。CRT將數據拆分為若干盡可能與因變量同質的段。所有個案中因變量值都相同的終端節點是同質的“純”節點。

4、QUEST.快速、無偏、有效的統計樹。一種快速方法，它可避免其他方法對具有許多類別的預測變量的偏倚。只有在因變量是名義變量時才能指定QUEST。

三、驗證（分析-分類-決策樹-驗證）

1、交叉驗證：交叉驗證將樣本分割為許多子樣本（或樣本群）。然后，生成樹模型，并依次排除每個子樣本中的數據。第一個樹基于第一個樣本群的個案之外的所有個案，第二個樹基于第二個樣本群的個案之外的所有個案，依此類推。對于每個樹，估計其誤分類風險的方法是將樹應用于生成它時所排除的子樣本。

1.1、最多可以指定25個樣本群。該值越大，每個樹模型中排除的個案數就越小。

1.2、交叉驗證生成單個最終樹模型。最終樹經過交叉驗證的風險估計計算為所有樹的風險的平均值。

2、分割樣本驗證：對于分割樣本驗證，模型是使用訓練樣本生成的，并在延續樣本上進行測試。

2.1、您可以指定訓練樣本大?。ū硎緸闃颖究偞笮〉陌俜直龋?，或將樣本分割為訓練樣本和測試樣本的變量。

2.2、如果使用變量定義訓練樣本和測試樣本，則將變量值為1的個案指定給訓練樣本，并將所有其他個案指定給測試樣本。該變量不能是因變量、權重變量、影響變量或強制的自變量。

2.3、您可以同時顯示訓練樣本和測試樣本的結果，或者僅顯示測試樣本的結果。