分类树早上好，
我有一个小文件（见附件），以便更好地了解 JMP 的计算方式。
这棵树很小，我将节点的最小大小设置为 1，我逐个执行了划分，并要求显示概率。
现在，我关注的是节点“X1>=14”，如果我理解正确的话：
- G²(3.82) 表征了该纽结的纯度，并且与它下面的“最佳”划分无关。
- Logworth (1.05) 是使用旁边显示的 G^2 计算得出的。
- Logworth 取决于“最佳”划分，如下所示；它是根据从所有可能的划分中获得的调整后的 p 值计算得出的。
第 2 点和第 3 点似乎不相容。
JMP 的学习机器人这次却卡住了，它看到了 2 种可能但相互矛盾的解释。
那么，这个 1.05 是从哪里来的，我们又该如何解释它呢？
感谢您的回复。
让-吕克
预测建模和机器学习回复：分类树你好@rugolf ，
我认为人们对 G2 和 Logworth 这两个指标的定义和使用存在混淆。
正如JMP 帮助文档中所述，JMP 中的决策树使用 Logworth 值作为决策标准来确定分割点的位置（目标是最大化 Logworth 值），这对应于 -log10(p 值)。该 p 值经过调整计算，具体调整方法在帮助文档中未详细说明，以确保在具有多个或较少水平的因子之间进行公平公正的计算。
G2 值仅针对分类响应变量显示，G2 值越低表示拟合效果越好。对于连续响应变量，每个节点都会显示标准差以及候选 SS 值（最佳分割的平方和）。
我希望这个回答能让大家更好地了解这个平台是如何运作的。
回复：分类树谢谢，
如果我理解正确，对于包含 A 和 B 两个类别的分类响应：
- G² 值衡量节点的纯度（也称为偏差）：如果只有 A 或只有 B，则 G² 值为 0，类别不平衡，但该节点不再进行进一步划分。
- 如果班级数量相等（A 班和 B 班人数相等），则 G^2 的最大值（我认为等于 n * 2ln(2)）
- G^2 随着每次除法而减小，而 R^2 增大；这是朝着正确的方向发展，也是我们所希望的。
- 我们可以计算除法后的改进（增益）G^2(父)-(G^2(左)+G^2(右))
- 最佳切割方案是能够带来最大改进的方案，即能够最显著地降低先前 G^2 值的方案。
- logworth = -log(p值)，其中p值与检验相关并已调整（我将省略计算，没什么大不了的）。
- G^2 旁边显示的对数值指的是它下面显示的最佳划分。
- 检验的假设是 H_0：左侧和右侧 A 的比例相同 vs. 不相同
- 极端情况：当子节点中 A（和 B）的比例相同时，p 值 = 1，因此对数效用 = 0，检验结束时保留原假设 H_0。
- 在极端情况下：当子节点中 A 的比例差异很大时，p 值等于 0，因此对数效用等于无穷大，检验结束时保留备择假设 H_1。
- p 值 <0.01，因此对数效度 >2，因此 A（或 B）的比例存在显著差异，具有显著的鉴别力。
- 因此，最佳切割方式也是木材利用价值最高的切割方式。
- 当 G^2 为零、达到最小尺寸或 R^2 不再显著增加时，树停止生长。
感谢您的帮助。
橄榄球或让-吕克
回复：分类树你好，Jean-Luc，
关于各个部分：
希望这个回答能解释清楚分区平台的工作原理。
回复：分类树你好，维克多，
非常感谢您的慷慨回应。
看来我是“对的”。
否则，选择小文件是有意为之：我这样做是为了清楚地看到软件的计算结果，例如，对于简单的线性回归。我还有其他更大、更贴近实际情况的文件。
再次感谢。
最好的祝愿。
让-吕克
