Excel决策树初体验
Qing
前几天，hunter提供了不少关于数据挖掘资源的链接，其中一个是在excel上实现的决策树模型。正好，现在有个分析能用的上，便小试一次，到不难上手。因此此处回顾一下初次体验，大家也可以下载附件试试。
决策树是一种比较简单的分类模型，输入的一堆变量，定义一个目标变量，当然这个变量应该是离散的，例如A、B、C。最后能够形成若干条规则，若干个if then达到A，若干个if then达到B，得到C。这种模型好理解，比什么线性回归，还有什么神经病网络要直观一些。挺适合我这样的非挖掘专业人员。
用这个excel来实现决策树分析，步骤也很简单，说是四步：输入数据、设定参数、查看结果、生成规则。其实我看就三步：输入数据、设定参数、生成结果，当然这三步可能得反复好几次。有关的详细描述，都在Readme页里面，当然都是英文的，而且单元格被保护了，也没法去修改。
建议用自己的数据尝试一次。每个变量，在这个excel中，叫做predictor，表现为字段。变量有四种类型，忽略的（omit）、离散变量（Cat）、连续变量（Cont），以及唯一的一个目标变量（Class），这个变量必须得是离散的。将数据拷贝到Data页，从L24单元格开始，当然，如果带标题行的话，就从L23格开始。然后，在第22行，为每个字段，设定变量类型。注意的是，如果变量类型设定为Cat，那么变量值可不能都一样的，否则运行会中断。而记录数，在挖掘里面叫做Observation，要在10到一万之间。
数据准备好了，接着得设定参数。诸如设定节点分裂条件（不明白这是啥），设定树的大小（节点大小、深度、纯度（啥玩意儿？）），以及设定训练集、验证集、规则生成的条件（根据置信度、支持率来）。它会给你两个选项来选择验证集，一是随机抽取百分之多少，二是取最后多少条记录。
关于support、confidence、capture这三个率，得好好说到一下，挺绕的。比如150条记录里面，有50条A。根据决策树的规则，判断这150条记录里面，有70条记录满足条件，会是A，但实际上只有30条记录确实是A。那么支持率（support）就是判断出来的70条比上总数，70/150=47％，这个率可以表示这条规则是否可以广泛采用的。而置信度（confidence）为30/70＝43％。看，这个率表示规则的准确性，说明还有57％是判断错了。最后的命中率（capture）就是通过规则判断出来实际是A的30条跟所有实际的50个A相比，等于60％。
说得我自己都晕了。这里的支持率、置信度跟前面几次谈到的关联规则还是有些区别。在挖掘领域，也不知道这几个率是否有标准的说法，反正曾经听过不同的人对这几个率的不同解释。另外还有什么查全率之类的东东，跟同事讨论半天，发现理解都不大一样。唉，再找机会将这些术语定一下吧。
回过头来看这个决策树，已经将数据拷贝进去，并且设定好选项。按下UserInput页的Build Tree按钮，唰唰地，树就构造好了。在Tree页，可以看到整棵树的形状。NodeView是关于节点的每个数据分布，Result页为分析结论，包括总共训练集记录多少条，验证集多少条。以及，实际和预测的差异有多大等等。最后一Rule页，是生成的规则，用IF Then方式表达出来，比较清晰。并且给出每条规则的support、confidence和capture。
什么样的结论是好的？这是个不好回答的问题。依靠那三个率看判断是一种思路，适当调整参数重新运行，看这几个指标是否能够达到比较高的值。当然，还得依靠业务感觉来判断。比如，我预先期盼有两个变量对目标影响是比较大的，但最后的树并没有显示出来，很是失望。一时也不太敢相信这结果，矛盾呐。
Qing
置信度说：我预料的，有多少是对的；
命中率说：所有对的，我预料对多少；
...说得我自己都晕了。...
hunter
nina...@gmail.com
li-zhenguo
Qing兄发的这个东东，要仔细研究一下再发表意见：）