SPSS 資料探勘方法概述——關聯、決策樹

本實驗是基於關聯和決策樹在資料探勘中的應用。通過該實驗，能夠客觀實際地理解關聯分析和決策樹的相關知識。

首先進行的是關聯分析，之後利用關聯分析的資料建立一個決策樹。

2、建立決策樹

在該部分的試驗中，需要將注意力轉移到顧客身上，即分析哪些顧客是“健康食品購買者”——同時購買 fruitveg 和 fish。

（1）如何標誌健康食品購買者。點選“欄位選項”選項卡下的“匯出”增加一個屬性

（Healthy）來標識健康食品購買者。編輯“匯出”節點，將欄位型別設為“標誌”，並編輯

“fruitveg = 'T' and fish='T'”，該公式表示消費者同時購買 

47。

圖 47“匯出”節點編輯視窗

（2）檢視增加“Healthy”之後的資料表。利用“表”來檢視資料表，如圖 48，可以看到表中增加了一個“Healthy”欄位，描述是否為健康食品購買者。

圖 48 增加“Healthy”之後的資料表

（3）接入一個“型別”節點。在這裡，需要重新編輯欄位的角色，如圖 49 所示。其中與使用者相關的資訊欄位（除 cardid 外）角色都設定為“輸入”，而“Healthy”變為“輸出”，其他的選擇“無”。

圖 49 “型別”節點編輯視窗

（4）接入 C5.0 決策樹模型。雙擊“建模”選項卡下的“C5.0

圖 50 工作區中的“C5.0”模型

（5）執行決策樹模型。分別執行“決策樹”和“規則集”兩種形式，檢視兩者得到的結果分別如圖 51 和圖 52 所示。兩者都分別有不同的表示方式。圖中顯示哪些型別的顧客是健康食品購買者。

圖 51 用決策樹形式檢視決策樹模型執行結果

圖 52 用規則集形式檢視決策樹模型執行結果

（6）其他屬性的功能，如圖 53。“組符號”是指當有多個欄位在同一個分支時，將這幾個欄位放在一組；“使用 boosting”是指使用部分資料作為再次生成決策樹，最後綜合這些決策樹來提高決策樹的精度；“互動驗證”是指一部分資料用來生成決策樹，一部分作為測試；“簡單”是指生成決策樹的準確度，但是精確度高的決策樹的移植性不高；“專家”下的“修剪嚴重性”是指修剪的程度。

圖 53 其他屬性功能

（7）分析“修剪嚴重性”條件為 0 時的結果。在圖 54 中可以看出，決策樹有 8 層（“修剪嚴重性”為 75%的有 2 層）。由此可以得出結論，“修剪”對精度具有重要的影響。

圖 54 “修剪嚴重性”條件為 0 時的結果（8）將決策樹模型加入資料流。首先選擇“欄位選項”下的“型別”節點，然後分別雙擊右上側的“tree”和“no-cut”（已重新命名），在這之後，分別新增“分析”節點作為輸出，得到如圖 55 的資料流。

圖 55 工作區中的“分析”節點

（9）分析“修剪嚴重性”為 75%的正確性。執行“tree”下“分析”節點，在圖 56 中可以看出，決策樹分支的正確率為 93.8%。

圖 56 分析“修剪嚴重性”為 75%的正確性

（10）分析“修剪嚴重性”為 0 的正確性。執行“no-cut”下“分析”節點後，得到圖 57，圖中顯示決策樹分支的正確率為 95.1%。由此表明這兩者的正確率差別不是十分大，僅為 1.3%。但是，一般情況下，會選擇簡單的模型作為選擇物件，即“修剪嚴重性”為 75% 的模型。

圖 57 分析“修剪嚴重性”為 0 的正確性

（11）決策樹的另外一個選項——成本，如圖 58 顯示。此處的成本主要指決策樹將 T 判為 F，而將 F 判為 T 的過程需要成本，同時這個成本一般並不相同，SPSS Modeler 14.2 的這兩個預設值都是 1。在這裡，將 F 判為 T 的成本改為 0.3，將 T 判為 F 的成本改為 2.0，“修剪嚴重性”設定為 75%，執行該決策樹模型，得到圖 59，共有 8 層。接下來，將這與原來生成的“tree”模型（F 判為 T 的成本為 1.0，T 判為 F 的成本改為 1.0，“修剪嚴重性”為 75%）進行比較。

如 58 修改“決策樹”模型的成本選項

圖 59 “決策樹”模型執行結果

（12）新增“輸出”選項卡下的“矩陣”節點。將這個模型新增到資料流中，並在此基礎上分別新增“矩陣”節點，如圖 60 所示。

圖 60 工作區的“矩陣”節點（13）分別執行“矩陣”節點，並分析資料。在執行這兩個節點之前，需要將這兩個“矩陣”節點的“行”設為“Healthy”，“列”設為“$C-Healthy”。執行後分別得到圖 61（左： “tree”，右：“2-0.3cost”）的表格。可以看出，決策樹總是朝著成本最低的趨勢生成決策樹。

圖 61 “矩陣”節點執行後結果