SPSS分類分析：決策樹
一、決策樹（分析-分類-決策樹）
“決策樹”過程建立基于樹的分類模型。它将個案分為若幹組，或根據自變量（預測變量）的值預測因變量（目标變量）的值。此過程為探索性和證明性分類分析提供驗證工具。
1、分段。确定可能成為特定組成員的人員。
2、層次。将個案指定為幾個類别之一，如高風險組、中等風險組和低風險組。
3、預測。建立規則并使用它們預測将來的事件，如某人将拖欠貸款或者車輛或住宅潛在轉售價值的可能性。
4、資料降維和變量篩選。從大的變量集中選擇有用的預測變量子集，以用于建構正式的參數模型。
5、互動确定。确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、類别合并和連續變量離散化。以最小的損失資訊對組預測類别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），您可以構模組化型以預測客戶将來是否可能拖欠貸款。
二、增長方法（分析-分類-決策樹）
1、CHAID.卡方自動互動檢測。在每一步，CHAID選擇與因變量有最強互動作用的自變量（預測變量）。如果每個預測變量的類别與因變量并非顯著不同，則合并這些類别。
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将資料拆分為若幹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别的預測變量的偏倚。隻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：交叉驗證将樣本分割為許多子樣本（或樣本群）。然後，生成樹模型，并依次排除每個子樣本中的資料。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将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小（表示為樣本總大小的百分比），或将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，則将變量值為1的個案指定給訓練樣本，并将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。
2.4、對于小的資料檔案（個案數很少的資料檔案），應該謹慎使用分割樣本驗證。訓練樣本很小可能會導緻很差的模型，因為在某些類别中，可能沒有足夠的個案使樹充分生長