决策树分析案例

知识引入：

决策树：

决策树（Decision Tree）是一种常用的机器学习算法，它被广泛应用于分类和回归问题。决策树模型是一种树形结构，其中每个内部节点表示一个特征或属性的判断条件，每个叶节点表示一个类别标签或回归值。通过从根节点开始，按照特征的判断条件逐步向下分裂样本，最终将样本划分到不同的叶节点，从而实现对样本的分类或回归预测。

其中决策树的算法还有ID3、C4.5、、CART、CHAID、SLIQ、随机森林、梯度提升树等方法。

除此之外，决策树中用来衡量信息量的一个概念，信息熵，而其通常用来衡量样本集合的纯度或不确定度程度。公式如下：

H(X)=−∑i=1n​pi​log2​(pi​)

题目：

给你一个excel表格，里面是一些篮球比赛的信息，请以’ HOME_TEAM_WINS’为目标变量，’ PTS_away’，’ FG_PCT_away’，’ FT_PCT_away’，’ FG3_PCT_away’，’ AST_away’，’ REB_away’为自变量，做决策树分析，并画出决策树可视化模型，计算其精确率，准确率，f1-score和召回率

决策树可视化：

在通过网上的资料查询后，决定使用spss来进行可视化模型的建立，这边使用了训练样本70：30来建立（通过不同的样本量对比，会带来不同的精确率，准确率，f1，召回率等不同结果）

最后通过混淆矩阵的值来进行精确率等数据的计算（计算只观察检验结果）：

准确率：70.8%

精确率：72.9%

召回率：57.7%

f1-score：64.4%

至此完结。