分类回归树的生成方式

因此，分类 回归树[T前已经成为对特征数据述立统计解析模型的好方法。 crm驻于分类回归树的数学模型在统计解析和数据结构挖掘方面是 一个正在探索中的技术。按照分类回归树的构連原理，可将之 视为数据分析的彳参数统计过程，其特点是在计辞过程中充分 利用二叉树的结构（Binary Tree 2 Structured)，即根节点包含所 有样本，在一定的分割规则下根节点被分割为两个子节点。这 一过程又在子节点上重复进行，成为一个回归过程，直至不可 再分成叶节点为止。

3.3.2.2算法简介

分类回归树算法的输人包括三类数据：一是原始观测样本的 数据，即用于训练和检验分类回归树分类的样本的独立变量和 因变量数据；二是先验概率，即总体空间中每一类样本出现的 概率，在实际中这个数值往往由样本空间中各类样本@数量的 比值近似代替，记为g,(纟=1，2);三是错分成本，错分成本 有两类，一类是将A类样本错判为S类而发生的损失，表示为

另一类是将B类样本错判为4类样本而产生的损失，表示 为Cz,，在计算中常用二者的比值表示损先关系。需要指出的 是，分类回归树算法进行每一次分割暗含这样的假设，即某节 点未被分割时，该子集的样本是同质的，而当对其分割，即相 对上一次分割增加新的分割条件，这个子集的样本被分裂为两 个相异的子集。分类回归树的生成是分步骤进行的。

首先，分类回归树的评估值为样本空间的常数，即响应变 量（Response Variables)的平均值。当响应变量的观测值发生变 化时，分类回归树的评估值可表示为：=       (3.5)

n rr!

其中，是指样本空间，/?(幻是的指标函数。