用于构建基于划分的模型（决策树），该模型识别预测分类结果的最重要因素（分类），并使用生成的树对新的观测值进行预测。
分类树
- 从打开的 JMP ®表中，选择“分析”>“预测建模”>“分区”。
- 从“选择列”中选择名义或有序响应变量，然后单击“Y，响应” 。
- 选择解释变量，然后单击X，因子。
- 如果需要，可以输入验证部分，或者选择一个验证列并单击“验证” （仅限 JMP Pro ）。本示例中使用了随机选择的 30% 验证集。因此，训练集占比为 70%。
- 在JMP Pro中，您可以选择树形方法：决策树（默认）、自助森林、提升树、 K 近邻或朴素贝叶斯。JMP Pro 还允许您指定验证列。
- 点击确定。
JMP 首先会显示一个图表，显示每个响应级别的观测值比例。
- 点击“拆分”按钮。观测值将被拆分为两个节点（或叶节点）。图表将更新以反映拆分情况，并生成一个更详细描述拆分过程的树状图。
注意：点击顶部的红色三角形，然后选择“显示选项”>“显示拆分计数” ，即可在每个叶子中显示计数、比率（观测值的比例）和概率（预测概率）。
- 点击“拆分”继续拆分。点击“修剪”移除拆分。
如果使用验证集，请点击“执行”以执行自动分割和剪枝，从而优化模型在验证数据上的拟合度。这里只执行了两次分割。
Auto Raw Data.jmp (Help > Sample Data Folder)自动生成原始数据.jmp（帮助 > 示例数据文件夹）
前两个拆分结果的解释（回应为声明（是/否））：
• 左侧叶节点中有 1,179 个观测值，对应于 AgeClass(Young)。其中 768 个 (65.1%) 为 Claim(Y/N) = N，411 个 (34.8%) 为 Claim(Y/N) = Y。
• 右侧叶节点中有 12,758 个观测值，对应于老年组 (Elder)。该节点中 N 的响应率为 90.2%，Y 的响应率为 9.8%。
• 对于 AgeClass(Elder) 中的 12,758 个观测值，根据 Rating Class 变量的第二次分割是 Rating Class (D,C) 和 Rating Class (B, A)。
笔记：
如需查看更多选项，例如列贡献、 ROC 曲线和提升曲线，请点击顶部红色三角形。其他选项，例如保存预测公式，可通过顶部红色三角形 > 保存列访问。在顶部红色三角形下方选择“决策阈值” ，即可显示模型的正确和错误分类率，并可评估不同阈值下的分类率。默认值为 50%。
访问JMP 帮助中的“预测和专用模型 > 分区模型”了解更多信息。
