分類樹早安,
我有一個小文件（請參閱附件），以便更好地了解 JMP 的計算方式。
這棵樹很小，我將節點的最小大小設為 1，我逐一執行了劃分，並要求顯示機率。
現在，我關注的是節點“X1>=14”，如果我理解正確的話：
- G²(3.82) 表徵了該紐結的純度，並且與它下面的「最佳」劃分無關。
- Logworth (1.05) 是使用旁邊顯示的 G^2 計算出來的。
- Logworth 取決於「最佳」劃分，如下所示；它是根據從所有可能的劃分中獲得的調整後的 p 值計算得出的。
第 2 點和第 3 點似乎不相容。
JMP 的學習機器人這次卻卡住了，它看到了 2 種可能但相互矛盾的解釋。
那麼，這個 1.05 是從哪裡來的，我們又該如何解釋它呢？
感謝您的回覆。
讓-呂克
預測建模和機器學習回覆：分類樹你好@rugolf ，
我認為人們對 G2 和 Logworth 這兩個指標的定義和使用有混淆。
如JMP 說明文件中所述，JMP 中的決策樹使用 Logworth 值作為決策標準來確定分割點的位置（目標是最大化 Logworth 值），這對應於 -log10(p 值)。此 p 值經過調整計算，具體調整方法在說明文件中未詳細說明，以確保在具有多個或較少水平的因子之間進行公平公正的計算。
G2 值僅針對分類反應變數顯示，G2 值越低表示擬合效果越好。對於連續響應變量，每個節點都會顯示標準差以及候選 SS 值（最佳分割的平方和）。
我希望這個回答能讓大家更了解這個平台是如何運作的。
回覆：分類樹謝謝，
如果我理解正確，對於包含 A 和 B 兩個類別的分類回應：
- G² 值衡量節點的純度（也稱為偏差）：如果只有 A 或只有 B，則 G² 值為 0，則類別不平衡，但節點不再進一步劃分。
- 如果班級數量相等（A 班和 B 班人數相等），則 G^2 的最大值（我認為等於 n * 2ln(2)）
- G^2 隨著每次除法而減小，而 R^2 增大；這是朝著正確的方向發展，也是我們所希望的。
- 我們可以計算除法後的改進（增益）G^2(父)-(G^2(左)+G^2(右))
- 最佳切割方案是能夠帶來最大改進的方案，即能夠最顯著地降低先前 G^2 值的方案。
- logworth = -log(p值)，其中p值與檢定相關並已調整（我將省略計算，沒什麼大不了的）。
- G^2 旁邊顯示的對數值指的是它下面顯示的最佳分割。
- 檢驗的假設是 H_0：左側和右側 A 的比例相同 vs. 不相同
- 極端情況：當子節點中 A（和 B）的比例相同時，p 值 = 1，因此對數效用 = 0，檢定結束時保留原假設 H_0。
- 在極端情況下：當子節點中 A 的比例差異很大時，p 值等於 0，因此對數效用值等於無限大，檢定結束時保留備擇假設 H_1。
- p 值 <0.01，因此對數效能 >2，因此 A（或 B）的比例有顯著差異，具有顯著的鑑別力。
- 因此，最佳切割方式也是木材利用價值最高的切割方式。
- 當 G^2 為零、達到最小尺寸或 R^2 不再顯著增加時，樹木停止生長。
感謝您的協助。
橄欖球或讓-呂克
回覆：分類樹你好，Jean-Luc，
關於各個部分：
希望這個回答能解釋清楚分區平台的運作原理。
回覆：分類樹你好，維克多，
非常感謝您的慷慨回應。
我看得出我站在「正確」的一邊。
否則，選擇小檔案是有意為之：我這樣做是為了清楚地看到軟體的計算過程，例如，對於簡單的線性迴歸。我還有其他更大、更貼近實際應用的文件。
再次感謝。
最好的祝愿。
讓-呂克
