构建决策树

通过识别正类用例并添加量度和维度输入的方式来设置决策树，以评估数据和了解决策树。

请按照这些步骤构建决策树。

1. 打开新工作区。

   打开一个新工作区后，您需要单击​添加 > 临时解锁。

2. 要打开决策树生成器，请右键单击 Visualization > 预测分析 > 分类 > 决策树生成器.

3. 设置​正类用例。

   您可以为决策树定义正类用例，方法是在“查找器”中选择维度，或在表格中选择维度元素，也可以在“设计过滤器”中设计一个过滤器。实际上，正类用例可以是工作区中多个选项的组合，包括过滤器、维度、元素和 Data Workbench 可视化值的所有类型。

   • 设计和应用过滤器​作为正类用例。在工作区中右键单击并选择 Tools > Filter Editor 来设计和应用过滤器。

   • 添加​维度​作为正类用例。在工作区中，右键单击并选择 工具 > 查找器 (或选择 Add > Finders )。 在​搜索​字段中输入维度名称，然后选择一个维度。

   • 添加​量度​作为正类用例。右键单击并选择 工具 > 查找器 或选择 Add > Finders 以打开“量度”表。 选择一个量度作为正类用例。

   • 添加​维度元素​作为正类用例。在工作区中右键单击并选择 Table 要打开维度元素，请从维度元素中选择以设置正类用例。

4. 单击 Options > Set Positive Case.

   此操作将设置正类用例，并且您可以对它进行命名。该名称将显示在 Positive Case 标题。

   注意

   在设置正类用例时，决策树会使用当前工作区选项，该选项可定义为与工作区中当前选项匹配的“访客”（或任何顶级可计数的定义，但在大多数情况下为“访客”）。 一个正类用例的这些元素会合并为一个过滤器（并非针对多个正类用例）。

   单击 Set Positive Case 当没有选择时，将清除正类用例。

5. （可选）选择 Set Population Filters 定义要分类的访客群体。

   如果没有应用人群过滤器，培训集会从所有访客（默认为“每个人”）中进行选择。

   注意

   单击 Show Complex Filter Description 查看“正类用例”和“群体过滤器”的过滤脚本。

6. 添加​量度、维度​和​维度元素​作为输入。

   您可以从“查找器”面板或各个维度元素的表格以拖放方式选择输入。您还可以从 Metrics 菜单。

   • 添加​量度​作为输入。

     从工具栏中选择量度。按住 Ctrl + Alt 并将一个或多个量度拖放到决策树生成器。

     该量度会作为一个输入显示在​输入（量度）​列表中，并使用一个唯一的颜色标示。

     

   • 添加​维度​作为输入。

     在工作区中，右键单击并选择​工具 > 查找器，然后在​搜索​字段中输入维度名称。按住 Ctrl + Alt，选择一个维度，并将该维度拖放到决策树生成器。

     该维度将显示在​输入（维度）​列表中，并使用一个唯一的颜色标示。

   • 添加​维度元素​作为输入。

     在工作区中，右键单击并选择一个“维度”表格。选择“维度元素”，按住 Ctrl + Alt，并将所选元素拖放到决策树生成器。

     维度元素会显示在​输入（元素）​列表中，并使用一个唯一的颜色标示。

   重要

   您最多可以选择14个要评估的输入。 如果添加的输入过多，那么会显示一则错误消息。

7. 选择 Go 中。

   将根据所选的维度和量度构建决策树。简单量度（例如“购物车加货”）构建速度较快，复杂维度（例如包含多个数据点的“访问持续时间”）构建速度较慢，会在转化时显示完成百分比。然后会对树图进行修剪并打开以供用户交互。维度和量度输入将采用与节点名称相同的颜色标示。

   

   如果树已经过修剪，且经过修剪的分支后含有 True 或 False 预测，则叶节点显示为绿色 (true) 或红色 (false)。

   注意

   从数据集中提取培训示例，以供树生成器使用。 Data Workbench 使用 80% 的采样来构建树，剩余 20% 用来评估树模型的准确度。

8. 使用 Confusion Matrix.

   单击 Options > Confusion Matrix 查看“精度”、“召回”、“精度”和“F分数”值。 越接近 100%，分数越高。

   混淆矩阵使用值的组合提供了模型的四项准确度：

   • 实际正值 (AP)
   • 预测正值 (PP)
   • 实际负值 (AN)
   • 预测负值 (PN)
   小贴士

   这些数字是通过应用结果评分模型获得的，该模型对预扣的20%测试数据进行评分，并且已被称为真实答案。 如果得分高于 50%，则预测为正类用例（与定义的过滤器匹配）。准确度 = (TP + TN)/(TP + FP + TN + FN)，取消 = TP / (TP + FN)，精度 = TP / (TP + FP)。

9. 了解决策树。

   生成决策树以后，您可以查看预测路径，并识别符合定义条件的所有访客。树会根据位置和颜色标示识别每个分支的输入分割。例如，如果您选择“反向链接域”节点，指向该分割的节点会按颜色标示列在树的左侧。

   您可以选择叶节点以选择决策树的分支（规则集）。

   对于此示例：如果访问持续时间小于 1，没有营销活动，至少有一个页面查看，没有电子邮件注册，则至少有一次访问。满足条件并下订单的推测结果为 94.73%。

   

   决策树交互：您可以选择树上的多个节点：使用标准的 Ctrl - 单击​进行添加，或 Shift - 单击​进行删除。

   颜色标示的节点：节点的颜色与 Data Workbench 分配的输入维度和量度的颜色匹配。

   已修剪分支上叶级别的节点以亮绿色和红色标示，预测该节点为 True 或 False。

   亮绿色	表示该节点等于 true，满足所有条件。
   亮红色	表示该节点等于 false，并非满足所有条件。

10. 保存决策树。

    您可以将决策树保存为不同的格式：

    

    • 预测标记语言 (PMML)，它是基于 XML 的文件格式，被应用程序用于描述和交换决策树模型。
    • 文本，它显示简单列和行，其中包含 true 或 false、百分数、成员数和输入值。
    • 维度​以及与预测结果元素对应的分支。

Business.Adobe.com 资源

Device Graph Third Party Data First Party Data Marketing Attribution Anomaly Detection Web Analytics