一、决策树方法所属模块
决策树在SPSSAU【机器学习】模块。
二、方法概述
（1）决策树是一种通过层层分支进行判断的建模方法，可以同时用于分类和回归。
（2）它适合做用户分群、风险识别、转化预测等任务，尤其适用于解释性要求较高的业务场景。
（3）在SPSSAU中，该方法可直接完成建模并输出评估结果、结构图和关键变量贡献度。
三、变量设置规则
1. 总体规则
（1）需设置2类变量：分析项（X定量）和因变量Y。
2. 分项规则
（1）分析项（X定量）：可放入1-400项，必填。
（2）因变量Y：仅可放入1项，必填。系统可自动判断是分类任务还是回归任务。
四、参数设置及解释说明
1. 基础参数
（1）训练集比例：默认0.8，表示80%样本用于训练，20%样本用于测试。
（2）数据归一化：默认不处理；若变量量纲差异明显，可选择标准化或归一化。
（3）保存预测值：勾选后可回写预测类别/概率（分类）或预测值（回归）。
（4）保存训练测试标识：勾选后会新增训练集与测试集标识字段。
（5）交叉验证：默认不进行，可选2折、3折、5折、10折。
2. 更多参数
（1）节点分裂标准：分类常用gini或entropy；回归可选残差平方、绝对残差、泊松偏差。
（2）节点划分方式：best更偏向最优划分，random用于降低过拟合风险。
（3）节点分裂最小样本量：值越大，树更保守。
（4）叶节点最小样本量：值越大，叶节点更稳定。
（5）树最大深度：用于控制模型复杂度，越大越容易过拟合。
（6）任务类型：自动判断（默认）/分类任务/回归任务。
五、分析结果表格及其解读
1. 输出表格总览
（1）决策树会输出基本信息汇总、模型评估结果、特征权重值、模型汇总表、数据集情况等表格。
2. 分表解读
（1）表1：决策树分类基本信息汇总
该表用于查看因变量各类别分布，包含名称、选项、频数、百分比。
● 频数：反映各类别样本量，用于识别类别是否失衡。若某类占比过低，模型可能更偏向多数类。
● 百分比：反映类别结构比例。一般建议避免极端偏斜分布，以提升分类稳定性。
（2）表2：决策树回归基本信息汇总
该表用于查看有效样本与缺失样本情况，包含选项、频数、百分比。
● 有效占比：有效占比越高，模型训练基础越稳定。
● 缺失占比：缺失占比越低越好；若缺失偏高，建议先处理数据再建模。
（3）表3：模型评估结果（分类任务）
该表用于评估训练集与测试集的分类效果，常见指标有准确率、精确率、召回率、F1-score。
● 准确率：总体预测正确比例，越高越好。
● 精确率：预测为某类时的准确程度，越高说明误报更少。
● 召回率：真实为某类时被识别出来的比例，越高说明漏报更少。
● F1-score：兼顾精确率和召回率的综合指标，越高越好。
（4）表4：模型评估结果（回归任务）
该表用于评估回归拟合效果，常见指标有R方值、MAE、RMSE等。
● R方值：反映模型解释能力，取值越接近1越好。
● MAE：平均绝对误差，越接近0越好。
● RMSE：均方根误差，越接近0越好，对较大误差更敏感。
（5）表5：特征权重值
该表用于展示各特征对模型决策的相对贡献，包含项与权重值。
● 权重值：值越大表示该变量越关键。实际分析中应重点解释高权重变量。
（6）表6：模型汇总表
该表用于记录模型参数设置与核心效果，便于复盘和复现。
● 参数值：用于确认本次建模配置，避免结果无法复现。
● 模型评估效果：用于快速比较不同参数方案下模型表现。
（7）表7：数据集情况
该表用于查看训练集、测试集、预测集和缺失数据构成。
● 样本量：用于确认数据划分与训练集比例是否一致。
● 占比：用于判断样本结构是否合理，避免测试样本过少导致评估不稳。
六、分析结果图表及其解读
1. 输出图表总览
（1）决策树会输出决策树结构图、特征权重图；分类任务还会输出测试集结果混淆矩阵图。
2. 图表解读
（1）决策树结构图：用于查看分裂路径和叶节点规则。树过深、分支过多时需警惕过拟合。
（2）特征权重图：用于快速识别关键影响因素，权重越高优先级越高。
（3）测试集结果混淆矩阵图：对角线值越集中，说明分类效果越好；非对角线值较高表示误判较多。
以上就是SPSSAU决策树方法的相关内容，更深入教程可查看SPSSAU帮助手册、教学视频、疑难解惑等资料。
