【源版】分类与回归分析.

浙江大学医学院流行病与卫生统计学教研室 沈毅
一、方法选择
①CHAID（Chi-squared Automatic Interaction Detector），由 Kass于1980年提出，其核心思想是：根据给定的结果变量（即目标变 量）和经过筛选的特征指标（即预测变量）对样本进行最优分割，按 照卡方检验的显著性进行多元列联表的自动判断分组。其分类过程是： 首先选定分类的目标变量，然后用分类指标与结果变量进行交叉分类， 产生一系列二维分类表，分别计算二维分类表的χ2值，比较P值的大 小，以P值最小的二维表作为最佳初始分类表，在最佳二维分类的基 础上继续使用分类指标对目标变量进行分类，重复上述过程直到P大 于设定的有统计意义的α值时则分类停止。目标变量可以为nominal、 ordinal、continuous三种类型，每个拆分点可以有多个子结点。
过程：通过递归分割的过程构建决策树。
寻找初始分裂：整个训练集作为产生决策树的集合，训练集每个记录必须是已 经分好类的。决定哪个属性（Field）域作为目前最好的分类指标。一般的做法是穷 尽所有的属性域，对每个属性域分裂的好坏做出量化，计算出最好的一个分裂。量 化的标准是计算每个分裂的多样性（diversity）指标GINI指标。 生成一棵完整的树：重复第一步，直至每个叶节点内的记录都属于同一类。 数据的修剪：不同的算法有不同修剪规则（修剪成大小合适的树）。
分类树与回归树分析
——策树分类
浙江大学医学院流行病与卫生统计学教研室 沈毅
饮酒与产妇年龄发生早产的风险：
低风险
高风险
浙江大学医学院流行病与卫生统计学教研室 沈毅
决策树的基本概念：
分类：决策树分为分类树和回归树两种，分类树对离散变量做决策树，回归树对 连续变量做决策树。一般的数据挖掘工具，允许选择分裂条件和修剪规则，以及控 制参数（最小节点的大小，最大树的深度等等）来限制决策树的过拟合（overfiting)。
三、模型验证
设定合适的验证模型的方式： ①Do not validate the tree：不另外建立数据集对模型进行验证，模型的建立
和检验都基于整个数据集。 ②Partition my data into subsamples：整个数据文件成两部分，即训练样
本（training sample）和检验样本（testing sample），如果通过训练样本 生成的模型能够较好地拟合检验样本，则表明生成的决策树对类似于当 前数据集结构的更大的数据集具有较好的通用性。 在生成满意的训练样本的决策树后，对样本进行检验，决策树即变为应用 检验样本后的结果，接着通过考察估计误差、gain系数，可以决定生成的 决策树的通用程度。当样本量较大时可以选择该法。 ③Cross-validation：该法将整个数据集拆分成数个相等大小的部分，分别以 每一部分作为检验样本，其余部分作为训练样本，生成数个决策树，并计 算各个决策树的危险估计（risk estimates）的平均值。该法适用于样本量较 小的情形。
浙江大学医学院流行病与卫生统计学教研室 沈毅
四、修剪树枝
在这一步中可以通过设置树状图的最大层数（Maximum Tree Depth）、根结点（Parent Node）及子结点（Child Node） 的最小例数（Minimum Number of Cases）来确定生成树的终止 规则（Stoping Rules）；终止规则会随着所选定算法的不同而不 同；当目标变量是nominal型时，还可以估计对错误分类造成的费 用（costs）；总之，这一部分比较复杂也较难掌握。
浙江大学医学院流行病与卫生统计学教研室 沈毅
②Exhaustive CHAID，由Biggs于1991年提出，通过 连续合并相近的对子反复检测来选择最佳拆分点，相对 于CHAID法需要花费较长的时间。目标变量可以为 nominal、ordinal、continuous三种类型，其每个拆分点 可以有多个子结点。
浙江大学医学院流行病与卫生统计学教研室 沈毅
④QUEST（Quick, Unbiased, Efficient Statistical Tree）， 由Loh和Shih于1997年提出，是一种快速且可避免由多分类 预测变量引起的偏倚的算法。目标变量仅限于nominal型， 且其最后生成的是二叉树。
浙江大学医学院流行病与卫生统计学教研室 沈毅
二、模型定义
在这一步可以选择并定义目标变量和预测变量，如果选择 了QUEST法，则目标变量只能为nominal型。要改变变量的类 型，可以对变量类型进行重定义（define variables）。（注意： 目标变量类型的不同，树枝修剪的规则也不同）
浙江大学医学院流行病与卫生统计学教研室 沈毅
目标变量 预测变量
变量 住院总费用 年龄
婚否
性别 手术 护理 抢救 伴随病 费用类别 入院情况 转归情况
量化方法或单位
（元）
1：0～20 岁 2：21～40 岁 3：41～60 岁 4：≥61 岁 1：未婚 2：已婚 3：离婚 4：丧偶 1：男 2：女 0：无 1：有 0：无 1：有 0：无 1：有 0：无 1：有 1：自费 2：公费 3：其它 1：一般 2：急 3：危 1：有效 2：死亡 3：其他
浙江大学医学院流行病与卫生统计学教研室 沈毅
③C&RT（Classification and Regression Trees），由Breiman 等于1984年首次提出，CART在计算过程中充分利用二叉树的结构， 即根结点包含所有样本，对预测变量应用多种统计方法反复运算， 将根结点分割为两个子结点，这个过程又在子结点上重复进行，成 为一个回归过程，直至不可再分成为子结点为止，最后产生同质的 与目标变量有关的子集。其目标是以尽量小的树将目标变量分入同 质的组中。目标变量也可以为nominal、ordinal、continuous三种 类型，其最终生成一个二叉树。
浙江大学医学院流行病与卫生统计学教研室 沈毅
五、实例分析 分类决策树（回归树）在病例组合中的应用
根据医疗资源消耗相近的原则，选取每个病例的住院总费用为分组轴心（即目标变量）， 以年龄、婚否、性别、手术、护理、抢救、伴随病、费用类别、入院情况、转归情况为分 类结点（即预测变量），并对目标变量和预测变量进行重新编码 。