Главная Коллекция "Revolution" Экономико-математическое моделирование Оценка результатов построения деревьев решений при помощи регрессионного анализа

Оценка результатов построения деревьев решений при помощи регрессионного анализа

Возникновение и применения метода построения деревьев решений. Основные существующие алгоритмы и решаемые ими задачи. Существующие статистические методы, применяемые для решения тех же задач. Категориальная бинарная и небинарная целевая переменная.

Рубрика	Экономико-математическое моделирование
Вид	дипломная работа
Язык	русский
Дата добавления	01.12.2019
Размер файла	591,6 K

посмотреть текст работы

скачать работу можно здесь

полная информация о работе

весь список подобных работ

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Страница:

Sensitivity = mean(as.numeric(metrics_regression$byClass[,1])),

Specificity = mean(as.numeric(metrics_regression$byClass[,2]))))

Теперь дерево Rpart

library(rpart)

library(rpart.plot)

Оцениваем модель дерева. Вводим ограничения на количество наблюдений в узлах и листах, устанавливаем максимальную глубину дерева.

NEET_rpart <- rpart(Ocupation ~., data = train, method = 'class',

control = rpart.control(minsplit = 60, minbucket = 30, cp = 0.00001, maxdepth = 30))

Отображаем дерево

rpart.plot(NEET_rpart, type = 0, cex = T, compress = T, ycompress = T, under = T, varlen = 0, faclen = 5, fallen.leaves = F)

Используем модель для предсказания значений целевой переменной на тестовой подвыборке в терминах вероятностей.

pred <- as.data.table(predict(object=NEET_rpart, newdata = test, type = 'prob'))

Рассчитываем показатель AUC для небинарной категориальной переменной

AUC_rpart <- multiclass.roc(actual$V1,pred)$auc

Используем модель для предсказания значений целевой переменной на тестовой подвыборке в терминах класса наблюдений.

pred <- as.data.table(predict(NEET_rpart, newdata = test, type = 'class'))

Рассчитываем метрики качества

metrics_rpart <- confusionMatrix(pred$V1,actual$V1, mode = 'everything')

metrics_rpart <- as.data.table(list(Accuracy = as.numeric(metrics_rpart$overall[1]),

Sensitivity = mean(as.numeric(metrics_rpart$byClass[,1])),

Specificity = mean(as.numeric(metrics_rpart$byClass[,2]))))

Теперь строим дерево при помощи алгоритма CHAID

library(CHAID)

Строим модель CHAID

NEET_chtree <- chaid(Ocupation ~., data = train_ch,

control = chaid_control(minprob = 0.001,

minsplit = 60,minbucket = 30))

Отображаем дерево визуально

plot(NEET_chtree, type = 'simple', gp = gpar(fontsize = 6))

Используем модель для предсказания значений целевой переменной на тестовой подвыборке в терминах вероятности.

pred <- as.data.table(predict(object=NEET_chtree,

newdata = test,

type = 'prob'))

Рассчитываем AUC

AUC_chaid <- multiclass.roc(actual$V1,pred)$auc

Используем модель для предсказания значений целевой переменной на тестовой подвыборке в терминах класса.

pred <- as.data.table(predict(object=NEET_chtree,

newdata = test,

type = 'response'))

Рассчитываем метрики для дерева CHAID

metrics_chaid <- confusionMatrix(pred$V1,actual$V1, mode = 'everything')

metrics_chaid <- as.data.table(list(Accuracy = as.numeric(metrics_chaid$overall[1]),

Sensitivity = mean(as.numeric(metrics_chaid$byClass[,1])),

Specificity = mean(as.numeric(metrics_chaid$byClass[,2]))))

C5.0. Устанавливаем пакеты

install.packages('C50')

library(C50)

Строим модель C50

c50tree <- C5.0(Ocupation ~., data = train)

pred <- as.data.table(predict.C5.0(c50tree,

newdata = test,

type = 'prob'))

Рассчитываем AUC

AUC_c50 <- multiclass.roc(actual$V1,pred)$auc

Используем модель для предсказания значений целевой переменной на тестовой подвыборке в терминах класса.

pred <- as.data.table(predict.C5.0(c50tree,

newdata = test,

type = 'class'))

Рассчитываем метрики для дерева C50

metrics_c50 <- confusionMatrix(pred$V1,actual$V1, mode = 'everything')

metrics_c50 <- as.data.table(list(Accuracy = as.numeric(metrics_c50$overall[1]),

Sensitivity = mean(as.numeric(metrics_c50$byClass[,1])),

Specificity = mean(as.numeric(metrics_c50$byClass[,2]))))

metrics_c50

Деревья C4.5/lmt из пакета rweka

install.packages('RWeka')

library(RWeka)

Строим модель дерева С4.5 и LMT

tree_j48 <- J48(Ocupation ~., data = train, control = Weka_control(U = T, M = 60))

tree_lmt <- LMT(Ocupation ~., data = train, control = Weka_control(I = 1))

Отображаем деревья

plot(tree_j48)

plot(tree_lmt)

Предсказываем значения при помощи дерева C4.5/j48

pred <- as.data.table(predict(object=tree_j48,

newdata = test,

type = 'prob'))

Рассчитываем AUC

AUC_j48 <- multiclass.roc(actual$V1,pred)$auc

AUC_j48

Предсказываем значения при помощи дерева C4.5/j48 в терминах класса

pred <- as.data.table(predict(object = tree_j48,

newdata = test,

type = 'class'))

Рассчитываем метрики для дерева J48/C4.5

metrics_j48 <- confusionMatrix(pred$V1,actual$V1, mode = 'everything')

metrics_j48 <- as.data.table(list(Accuracy = as.numeric(metrics_j48$overall[1]),

Sensitivity = mean(as.numeric(metrics_j48$byClass[,1])),

Specificity = mean(as.numeric(metrics_j48$byClass[,2]))))

metrics_j48

Предсказываем значения при помощи дерева LMT в терминах вероятностей

pred <- as.data.table(predict(object=tree_lmt,

newdata = test,

type = 'prob'))

Рассчитываем AUC

AUC_lmt <- multiclass.roc(actual$V1,pred)$auc

AUC_lmt

Предсказываем значения при помощи дерева LMT в терминах класса

pred <- as.data.table(predict(object = tree_lmt,

newdata = test,

type = 'class'))

Рассчитываем метрики для дерева LMT

metrics_lmt <- confusionMatrix(pred$V1,actual$V1, mode = 'everything')

metrics_lmt <- as.data.table(list(Accuracy = as.numeric(metrics_lmt$overall[1]),

Sensitivity = mean(as.numeric(metrics_lmt$byClass[,1])),

Specificity = mean(as.numeric(metrics_lmt$byClass[,2]))))

metrics_lmt

Выводим все таблицы с результатами

Регрессионная модель

library(stargazer)

stargazer(regression, type = 'html', out = 'NEET.html', style = 'asr')

Считаем R-квадрат для мультиномилаьной модели

nnet.mod.loglik <- nnet:::logLik.multinom(regression)

nnet.mod0 <- multinom(Ocupation ~ 1, train)

nnet.mod0.loglik <- nnet:::logLik.multinom(nnet.mod0)

(nnet.mod.mfr2 <- as.numeric(1 - nnet.mod.loglik/nnet.mod0.loglik))

Выводим все метрики для сравнения

AUC_regression

metrics_regression

AUC_chaid

metrics_chaid

AUC_rpart

metrics_rpart

AUC_c50

metrics_c50

AUC_j48

metrics_j48

AUC_lmt

metrics_lmt

Приложение . Результаты построения отдельных моделей

Интервальная целевая переменная

«Height and Life Satisfaction: Evidence from Russia»

Таблица 1

Результаты регрессионного анализа

	Target
Height_sq	0.0001
Height	-0.029
Age	0.037^***
age_sq	-0.0003^***
Female	0.032
Health	0.352^***
Married	-0.362^***
Higher_educ	-0.068^**
Ln_wage	-0.091^***
Believer	-0.158^***
LN_gpr	-0.044
Constant	4.955
N	5,454
R²	0.151
Adjusted R²	0.149
Residual Std. Error	0.794 (df = 5442)
F Statistic	88.061^*** (df = 11; 5442)
^p <.05; ^p <.01; ^**p <.001

Спецификация дерева CART

n=11291 (2924 observations deleted due to missingness)

node), split, n, deviance, yval

* denotes terminal node

1) root 11291 9561.3150 2.551058

2) Health< 2.5 4565 3018.1060 2.169332

4) LN_gpr< 12.13283 397 129.2645 1.712846 *

5) LN_gpr>=12.13283 4168 2798.2360 2.212812

10) Married>=0.5 2024 1196.6250 2.102767

20) LN_gpr>=13.10486 625 377.1584 1.921600 *

21) LN_gpr< 13.10486 1399 789.7884 2.183703 *

11) Married< 0.5 2144 1553.9620 2.316698

22) Age< 24.5 994 623.1187 2.104628 *

23) Age>=24.5 1150 847.5000 2.500000 *

3) Health>=2.5 6726 5426.5480 2.810140

6) Health< 3.5 5435 3910.9790 2.705612

12) Married>=0.5 2906 1885.9090 2.554370

24) LN_gpr>=13.10486 934 727.0931 2.375803

48) Age< 41.5 291 232.2955 2.127148 *

49) Age>=41.5 643 468.6625 2.488336 *

25) LN_gpr< 13.10486 1972 1114.9290 2.638945 *

13) Married< 0.5 2529 1882.2170 2.879399

26) Age< 26.5 436 306.7706 2.522936 *

27) Age>=26.5 2093 1508.5050 2.953655 *

7) Health>=3.5 1291 1206.1870 3.250194

14) Married>=0.5 511 450.9824 2.994129 *

15) Married< 0.5 780 699.7487 3.417949 *

Спецификация дерева Ctree

Model formula:

Target ~ Height_sq + Height + Age + age_sq + Female + Health +

Married + Higher_educ + Ln_wage + Believer + LN_gpr

Fitted party:

[1] root

| [2] Health <= 2

| | [3] Married <= 0

| | | [4] Age <= 30: 2.263 (n = 422, err = 261.8)

| | | [5] Age > 30

| | | | [6] Ln_wage <= 10.43415: 2.579 (n = 442, err = 297.7)

| | | | [7] Ln_wage > 10.43415: 2.340 (n = 153, err = 108.3)

| | [8] Married > 0

| | | [9] Age <= 28

| | | | [10] Believer <= 0: 2.125 (n = 56, err = 26.1)

| | | | [11] Believer > 0: 1.824 (n = 193, err = 90.0)

| | | [12] Age > 28

| | | | [13] Ln_wage <= 10.18494: 2.226 (n = 680, err = 407.1)

| | | | [14] Ln_wage > 10.18494: 2.004 (n = 569, err = 310.0)

| [15] Health > 2

| | [16] Married <= 0

| | | [17] Age <= 29: 2.647 (n = 204, err = 140.6)

| | | [18] Age > 29

| | | | [19] Ln_wage <= 10.37352: 3.004 (n = 804, err = 585.0)

| | | | [20] Ln_wage > 10.37352

| | | | | [21] Believer <= 0: 3.135 (n = 37, err = 28.3)

| | | | | [22] Believer > 0: 2.617 (n = 133, err = 89.4)

| | [23] Married > 0

| | | [24] Age <= 32

| | | | [25] LN_gpr <= 13.02431: 2.410 (n = 161, err = 88.9)

| | | | [26] LN_gpr > 13.02431: 1.990 (n = 101, err = 69.0)

| | | [27] Age > 32

| | | | [28] Ln_wage <= 10.5187

| | | | | [29] Health <= 3: 2.633 (n = 1121, err = 656.3)

| | | | | [30] Health > 3: 2.938 (n = 81, err = 62.7)

| | | | [31] Ln_wage > 10.5187: 2.327 (n = 297, err = 211.3)

Number of inner nodes: 15

Number of terminal nodes: 16

Спецификация дерева M5P

M5 unpruned model tree:

(using smoothed linear models)

Health <= 2.5:

| Married <= 0.5:

| | Age <= 30.5:

| | | Ln_wage <= 10.106: LM1 (221/101.503%)

| | | Ln_wage > 10.106: LM2 (201/77.252%)

| | Age > 30.5:

| | | LN_gpr <= 12.932: LM3 (295/84.798%)

| | | LN_gpr > 12.932:

| | | | Ln_wage <= 9.847: LM4 (97/111.27%)

| | | | Ln_wage > 9.847: LM5 (203/101.416%)

| Married > 0.5:

| | LN_gpr <= 13.105:

| | | LN_gpr <= 12.588:

| | | | LN_gpr <= 12.514: LM6 (237/87.162%)

| | | | LN_gpr > 12.514: LM7 (91/85.359%)

| | | LN_gpr > 12.588:

| | | | Age <= 38.5:

| | | | Age > 38.5: LM11 (280/82.167%)

| | LN_gpr > 13.105:

| | | LN_gpr <= 13.199: LM12 (125/70.464%)

| | | LN_gpr > 13.199:

| | | | Ln_wage <= 10.194: LM13 (134/105.102%)

| | | | Ln_wage > 10.194: LM14 (208/87.101%)

Health > 2.5:

| Married <= 0.5:

| | LN_gpr <= 13:

| | | Ln_wage <= 9.916:

| | | | LN_gpr <= 12.601: LM15 (165/98.416%)

| | | | LN_gpr > 12.601: LM16 (272/95.566%)

| | | Ln_wage > 9.916: LM17 (180/90.712%)

| | LN_gpr > 13:

| | | Age <= 35.5: LM18 (168/108.916%)

| | | Age > 35.5:

| | | | Ln_wage <= 10.389: LM19 (293/96.108%)

| | | | Ln_wage > 10.389: LM20 (100/99.509%)

| Married > 0.5:

| | LN_gpr <= 13.105:

| | | LN_gpr <= 12.616:

| | | | Height_sq <= 29412.5: LM21 (244/86.577%)

| | | | Height_sq > 29412.5: LM22 (179/85.524%)

| | | LN_gpr > 12.616:

| | | | Age <= 38.5: LM23 (225/78.548%)

| | | | Age > 38.5:

| | LN_gpr > 13.105:

| | | LN_gpr <= 13.463:

| | | | LN_gpr <= 13.41:

| | | | LN_gpr > 13.41: LM29 (111/115.802%)

| | | LN_gpr > 13.463: LM30 (178/89.16%)

«Человеческий капитал российских рабочих: общее состояние и специфические особенности»

Таблица 2

Результаты регрессионного анализа

	Ln_wage
Work_exp	0.039^***
statusОбластной центр	0.147
statusПГТ	0.078
statusСело	-0.229^*
educ	0.039^*
Work_exp_sq	-0.001^*
Constant	9.184^***
N	1,767
R²	0.021
Adjusted R²	0.018
Residual Std. Error	1.674 (df = 1760)
F Statistic	6.244^*** (df = 6; 1760)
^p <.05; ^p <.01; ^**p <.001

Спецификация дерева CART

n= 1971

1) root 1971 6578.3590 10.133500

2) status=Село 483 1766.6380 9.782897

4) Work_exp< 20.5 319 1224.6390 9.633161 *

5) Work_exp>=20.5 164 520.9348 10.074150 *

3) status=Город,Областной центр,ПГТ 1488 4733.0750 10.247310

6) Work_exp< 3.5 109 1034.3120 9.334591

12) status=Город 41 451.2174 8.751628 *

13) status=Областной центр,ПГТ 68 560.7595 9.686083 *

7) Work_exp>=3.5 1379 3600.7830 10.319460

14) educ< 14.75 1169 2840.0200 10.264020

28) educ< 11.75 574 1145.4280 10.165760

56) status=Город,ПГТ 292 551.8704 9.998493 *

57) status=Областной центр 282 576.9280 10.338970 *

29) educ>=11.75 595 1683.7030 10.358820 *

15) educ>=14.75 210 737.1756 10.628030 *

Спецификация дерева Ctree

Fitted party:

[1] root

| [2] status in Город

| | [3] Work_exp <= 3: 8.752 (n = 41, err = 451.2)

| | [4] Work_exp > 3: 10.188 (n = 545, err = 1361.7)

| [5] status in Областной центр: 10.240 (n = 651, err = 1519.3)

| [6] status in ПГТ: 10.166 (n = 90, err = 261.6)

| [7] status in Село: 9.817 (n = 440, err = 1317.8)

Number of inner nodes: 2

Number of terminal nodes: 5

Спецификация дерева M5P

M5 unpruned model tree:

(using smoothed linear models)

Work_exp <= 7.5:

| Work_exp <= 3.5:

| | status=Р“РѕСЂРѕРґ,РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ <= 0.5: LM1 (30/34.127%)

| | status=Р“РѕСЂРѕРґ,РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ > 0.5:

| | | educ <= 11.5: LM2 (29/234.051%)

| | | educ > 11.5:

| | | | educ <= 12.75: LM3 (34/32.569%)

| | | | educ > 12.75: LM4 (46/203.782%)

| Work_exp > 3.5:

| | status=РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ <= 0.5:

| | | educ <= 11.75: LM5 (50/144.26%)

| | | educ > 11.75:

| | | | Work_exp <= 6.5:

| | | | Work_exp > 6.5: LM8 (24/21.549%)

| | status=РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ > 0.5:

| | | educ <= 11.5: LM9 (24/104.127%)

| | | educ > 11.5:

| | | | educ <= 12.5: LM10 (28/21.877%)

| | | | educ > 12.5: LM11 (43/29.721%)

Work_exp > 7.5:

| Work_exp <= 31.5:

| | Work_exp <= 16.5:

| | | status=РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ <= 0.5:

| | | | educ <= 12.25:

| | | | educ > 12.25:

| | | status=РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ > 0.5:

| | | | educ <= 14.5:

| | | | educ > 14.5: LM25 (46/95.517%)

| | Work_exp > 16.5:

| | | status=Р“РѕСЂРѕРґ,РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ <= 0.5:

| | | | Work_exp <= 26.5:

| | | | Work_exp > 26.5: LM29 (39/88.819%)

| | | status=Р“РѕСЂРѕРґ,РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ > 0.5:

| | | | educ <= 11.75:

| | | | | status=РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ <= 0.5:

| | | | | status=РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ > 0.5:

| | | | educ > 11.75:

| Work_exp > 31.5:

| | Work_exp <= 35.5:

| | | Work_exp <= 34.5:

| | | | status=РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ <= 0.5: LM41 (56/34.574%)

| | | | status=РџР“Рў,РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ > 0.5: LM42 (44/25.007%)

| | | Work_exp > 34.5: LM43 (33/27.167%)

| | Work_exp > 35.5:

| | | Work_exp <= 41.5:

| | | | educ <= 10.5: LM44 (45/47.67%)

| | | | educ > 10.5:

| | | | | status=РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ <= 0.5: LM45 (48/78.126%)

| | | | | status=РћР±Р»Р°СЃС‚РЅРѕР№ С†РµРЅС‚СЂ > 0.5: LM46 (31/141.343%)

| | | Work_exp > 41.5:

| | | | Work_exp <= 46.5: LM47 (59/22.912%)

| | | | Work_exp > 46.5: LM48 (21/26.845%)

«Оценки "штрафа за материнство" в России»

Таблица 3

	Ln_wage
age20-24	-0.070
age25-29	-0.012
age30-34	0.032
age35-39	0.098^*
children_nЕсть дети до 18	-0.106^**
children_nЕсть дети старше 18	-0.110
statusГород	0.097^*
statusОбластной центр	0.277^***
statusПГТ	0.251^***
partnerНет партнера / была замужем	0.123^**
Partner Нет партнера / не была замужем	0.024
health_count_nНизкий	0.011
vj11.1Не оформлены официально	-0.100
sectorКоммерческий сектор	0.212^***
full_dayПолная неделя	0.671^***
university	0.311^***
vj61	0.356^***
Constant	8.723^***
N	1,485
R²	0.268
Adjusted R²	0.260
Residual Std. Error	0.513 (df = 1467)
F Statistic	31.654^*** (df = 17; 1467)
^p <.05; ^p <.01; ^**p <.001

Спецификация дерева CART

n=1680 (90 observations deleted due to missingness)

node), split, n, deviance, yval

* denotes terminal node

1) root 1680 606.70860 9.863185

2) university< 0.5 927 297.49560 9.694236

4) vj6=0 803 235.65770 9.640228

8) status=Село 228 67.73815 9.447899

16) sector=Соцсфера и госслужба 65 14.92798 9.289711 *

17) sector=Коммерческий сектор 163 50.53504 9.510980 *

9) status=Город,Областной центр,ПГТ 575 156.14150 9.716491

18) sector=Соцсфера и госслужба 97 29.49475 9.495410 *

19) sector=Коммерческий сектор 478 120.94360 9.761355

38) status=Город 202 43.84122 9.681197 *

39) status=Областной центр,ПГТ 276 74.85460 9.820021 *

5) vj6=1 124 44.32803 10.043980 *

3) university>=0.5 753 250.17870 10.071170

6) vj6=0 571 173.66570 9.977542

12) sector=Соцсфера и госслужба 224 62.33324 9.836797

24) status=Село,Город,ПГТ 121 32.39154 9.721097 *

25) status=Областной центр 103 26.41914 9.972715 *

13) sector=Коммерческий сектор 347 104.03080 10.068400

26) status=Село,Город 123 34.95513 9.951862 *

27) status=Областной центр,ПГТ 224 66.48806 10.132390 *

7) vj6=1 182 55.80187 10.364930

14) status=Село,Город 68 19.35471 10.187810 *

15) status=Областной центр,ПГТ 114 33.04146 10.470580 *

Спецификация дерева Ctree

Model formula:

Ln_wage ~ age + children_n + status + partner + health_count_n +

vj11.1 + sector + full_day + university + vj6

Fitted party:

[1] root

| [2] university <= 0

| | [3] vj6 in 0

| | | [4] status in Село

| | | | [5] full_day in Полная неделя

| | | | | | [7] children_n in Есть дети до 18: 9.196 (n = 42, err = 5.8)

| | | | | | [8] children_n in Нет детей, Есть дети старше 18: 9.542 (n = 20, err = 3.6)

| | | | | [9] sector in Коммерческий сектор: 9.566 (n = 137, err = 37.8)

| | | | [10] full_day in Неполная неделя: 8.476 (n = 5, err = 3.7)

| | | [11] status in Город

| | | | [12] sector in Соцсфера и госслужба

| | | | | [13] full_day in Полная неделя: 9.418 (n = 38, err = 6.9)

| | | | | [14] full_day in Неполная неделя: 8.132 (n = 1, err = 0.0)

| | | | [15] sector in Коммерческий сектор: 9.664 (n = 164, err = 35.7)

| | | [16] status in Областной центр

| | | | [17] full_day in Полная неделя: 9.810 (n = 224, err = 60.7)

| | | | [18] full_day in Неполная неделя: 8.966 (n = 6, err = 0.5)

| | | [19] status in ПГТ: 9.808 (n = 44, err = 12.5)

| | [20] vj6 in 1: 10.042 (n = 115, err = 38.5)

| [21] university > 0

| | [22] vj6 in 0

| | | [23] sector in Соцсфера и госслужба: 9.832 (n = 206, err = 54.4)

| | | [24] sector in Коммерческий сектор: 10.064 (n = 312, err = 88.7)

| | [25] vj6 in 1

| | | [26] health_count_n in Высокий: 10.258 (n = 108, err = 25.1)

| | | [27] health_count_n in Низкий: 10.554 (n = 63, err = 25.5)

Number of inner nodes: 12

Number of terminal nodes: 15

Спецификация дерева M5P

M5 unpruned model tree:

(using smoothed linear models)

university <= 0.5:

| status=Small towm,City <= 0.5:

| | sector=Commercial sector <= 0.5: LM1 (121/82.841%)

| | sector=Commercial sector > 0.5:

| | | status=Town,Small towm,City <= 0.5: LM2 (175/92.16%)

| | | status=Town,Small towm,City > 0.5:

| | | | partner=Wasnt married_No partner,Was married_No partner, <= 0.5: LM3 (156/82.782%)

| | | | partner=Wasnt married_No partner,Was married_No partner, > 0.5: LM4 (74/72.609%)

| status=Small towm,City > 0.5:

| | vj11.1=Official job <= 0.5: LM5 (94/118.612%)

| | vj11.1=Official job > 0.5:

| | | health_count_n=Low <= 0.5:

| | | | partner=Wasnt married_No partner,Was married_No partner, <= 0.5: LM6 (133/82.574%)

| | | | partner=Wasnt married_No partner,Was married_No partner, > 0.5: LM7 (88/100.306%)

| | | health_count_n=Low > 0.5: LM8 (85/82.152%)

university > 0.5:

| vj6 <= 0.5:

| | sector=Commercial sector <= 0.5:

| | | status=City <= 0.5: LM9 (120/86.128%)

| | | status=City > 0.5: LM10 (103/84.218%)

| | sector=Commercial sector > 0.5:

| | | status=Small towm,City <= 0.5: LM11 (123/88.647%)

| | | status=Small towm,City > 0.5:

| | | | partner=Wasnt married_No partner,Was married_No partner, <= 0.5: LM12 (155/89.236%)

| | | | partner=Wasnt married_No partner,Was married_No partner, > 0.5: LM13 (68/90.998%)

| vj6 > 0.5: LM14 (182/92.077%)

Порядковая целевая переменная

«When information dominates comparison»

Таблица 4

Спецификации регрессии

	TARGET
v_age	-0.109
age_sq	0.001
Male	-0.004
v_nfm	0.046^***
Russian	-0.367^***
Believer	0.398^***
MaritalDivorced	-0.108^***
MaritalMarried	0.942^***
MaritalWidowed	0.014
years_educ	0.051^***
Experience	0.017^***
OccupationClerks	0.010^***
OccupationCraft_and_related	0.046^***
OccupationElementary_unskilled_occupation	-0.213^***
OccupationLegislators_senior managers_officials	0.270^***
OccupationOperators_and_assemblers	0.081^***
OccupationProfessionals	0.096^*
OccupationServices_workers	-0.100^*
OccupationSkilled_agriculture_and_fish	1.564^***
OccupationTechnicians	0.053
RegCentral and Central Black-Earth	-0.067
RegEastern Siberia and Far Eastern	-0.097^***
RegNorth Caucasian	0.496^***
RegNorthern and North Western	1.179^***
RegSouthern	-0.256^***
RegUral	-0.324^***
RegVolga-Vyatski and Volga Basin	-0.158^***
RegWestern Siberia	0.008
HealthAverage	1.638^***
HealthBad	0.766^***
HealthGood	2.563^***
HealthVery good	3.505^***
N	9,023
^p <.05; ^p <.01; ^**p <.001

Спецификация дерева CHAID

Model formula:

TARGET ~ v_age + age_sq + Male + v_nfm + Russian + Believer +

Marital + years_educ + Experience + Occupation + Reg + Health

Fitted party:

[1] root

| [2] Health in Very bad: 2 (n = 159, err = 67.9%)

| [3] Health in Average

| | [4] Reg in Moskow and Spb, Western Siberia

| | | [5] Marital in Single, Divorced, Widowed: 3 (n = 432, err = 54.4%)

| | | [6] Marital in Married

| | | | [7] Believer in 0: 3 (n = 211, err = 55.0%)

| | | | [8] Believer in 1: 3 (n = 645, err = 57.2%)

| | [9] Reg in Central and Central Black-Earth, Volga -Vaytski and Volga Basin

| | | [10] Marital in Single, Divorced, Widowed: 3 (n = 650, err = 45.8%)

| | | [11] Marital in Married

| | | | [12] Reg in Moskow and Spb, Central and Central Black-Earth, Eastern Siberia and Far Eastern, North Caucasian, Northern and North Western, Southern, Ural, Western Siberia: 3 (n = 620, err = 46.3%)

| | | | [13] Reg in Volga -Vaytski and Volga Basin: 3 (n = 697, err = 51.1%)

| | [14] Reg in Eastern Siberia and Far Eastern, Ural: 3 (n = 547, err = 54.1%)

| | [15] Reg in North Caucasian: 3 (n = 138, err = 59.4%)

| | [16] Reg in Northern and North Western: 5 (n = 318, err = 67.3%)

| | [17] Reg in Southern: 3 (n = 439, err = 54.9%)

| [18] Health in Bad

| | [19] Reg in Moskow and Spb, Central and Central Black-Earth, Eastern Siberia and Far Eastern, North Caucasian, Southern, Ural, Volga -Vaytski and Volga Basin, Western Siberia

| | | [20] Marital in Single, Widowed: 2 (n = 392, err = 61.7%)

| | | [21] Marital in Divorced: 2 (n = 115, err = 66.1%)

| | | [22] Marital in Married: 3 (n = 463, err = 54.6%)

| | [23] Reg in Northern and North Western: 4 (n = 75, err = 70.7%)

| [24] Health in Good

| | [25] Marital in Single, Widowed: 4 (n = 548, err = 55.5%)

| | [26] Marital in Divorced: 3 (n = 229, err = 57.6%)

| | [27] Marital in Married

| | | [28] Reg in Moskow and Spb, Central and Central Black-Earth, Eastern Siberia and Far Eastern, North Caucasian, Southern, Ural, Volga -Vaytski and Volga Basin, Western Siberia

| | | | [29] Believer in 0: 4 (n = 532, err = 53.8%)

| | | | [30] Believer in 1

| | | | | [31] Reg in Moskow and Spb, Central and Central Black-Earth, Eastern Siberia and Far Eastern, Northern and North Western, Southern, Ural, Volga -Vaytski and Volga Basin, Western Siberia: 4 (n = 1423, err = 49.4%)

| | | | | [32] Reg in North Caucasian: 4 (n = 137, err = 42.3%)

| | | [33] Reg in Northern and North Western: 5 (n = 144, err = 50.7%)

| [34] Health in Very good: 5 (n = 109, err = 56.0%)

Спецификация дерева Rpart

n= 11313

node), split, n, loss, yval, (yprob)

* denotes terminal node

1) root 11313 7035 3 (0.019 0.12 0.38 0.36 0.13)

2) Health=Very bad,Average,Bad 6772 3749 3 (0.029 0.17 0.45 0.28 0.073)

4) Health=Very bad,Bad 1327 834 3 (0.092 0.3 0.37 0.19 0.044)

8) Marital=Single,Divorced,Widowed 712 454 2 (0.12 0.36 0.34 0.16 0.022)

16) Male>=0.5 122 65 2 (0.24 0.47 0.2 0.09 0.0082) *

17) Male< 0.5 590 374 3 (0.097 0.34 0.37 0.17 0.025)

34) Reg=Southern,Ural,Western Siberia 164 89 2 (0.085 0.46 0.31 0.15 0) *

35) Reg=Moskow and Spb,Central and Central Black-Earth,Eastern Siberia and Far Eastern,North Caucasian,Northern and North Western,Volga -Vaytski and Volga Basin 426 261 3 (0.1 0.3 0.39 0.18 0.035) *

9) Marital=Married 615 362 3 (0.059 0.23 0.41 0.23 0.068)

18) Reg=Moskow and Spb,Central and Central Black-Earth,Eastern Siberia and Far Eastern,North Caucasian,Southern,Ural,Volga -Vaytski and Volga Basin,Western Siberia 552 309 3 (0.056 0.24 0.44 0.22 0.049) *

19) Reg=Northern and North Western 63 41 4 (0.079 0.17 0.16 0.35 0.24) *

5) Health=Average 5445 2915 3 (0.013 0.14 0.46 0.31 0.08)

10) Reg=Moskow and Spb,Central and Central Black-Earth,Eastern Siberia and Far Eastern,North Caucasian,Southern,Ural,Volga -Vaytski and Volga Basin,Western Siberia 5092 2657 3 (0.014 0.14 0.48 0.31 0.062)

20) Marital=Divorced,Widowed 1158 594 3 (0.029 0.25 0.49 0.21 0.028)

40) Reg=Moskow and Spb,Eastern Siberia and Far Eastern,North Caucasian,Southern,Ural,Western Siberia 628 355 3 (0.04 0.28 0.43 0.22 0.032)

80) Male>=0.5 100 58 2 (0.05 0.42 0.37 0.15 0.01) *

81) Male< 0.5 528 292 3 (0.038 0.25 0.45 0.23 0.036) *

41) Reg=Central and Central Black-Earth,Volga -Vaytski and Volga Basin 530 239 3 (0.017 0.22 0.55 0.2 0.023) *

21) Marital=Single,Married 3934 2063 3 (0.0089 0.11 0.48 0.34 0.072)

42) v_age>=37.5 2631 1328 3 (0.0095 0.11 0.5 0.32 0.062)

84) Reg=Moskow and Spb,Central and Central Black-Earth,Eastern Siberia and Far Eastern,Ural,Volga -Vaytski and Volga Basin 1846 889 3 (0.011 0.11 0.52 0.3 0.065)

168) Marital=Single 100 52 3 (0.02 0.27 0.48 0.22 0.01) *

169) Marital=Married 1746 837 3 (0.01 0.096 0.52 0.3 0.068)

338) Reg=Moskow and Spb,Eastern Siberia and Far Eastern,Ural 634 329 3 (0.013 0.13 0.48 0.29 0.085)

676) Occupation=Unemployed,Elementary_unskilled_occupation,Operators_and_assemblers,Professionals,Services_workers,Technicians 539 265 3 (0.015 0.13 0.51 0.27 0.074) *

677) Occupation=Clerks,Craft_and_related,Legislators_senior managers_officials 95 59 4 (0 0.15 0.33 0.38 0.15) *

339) Reg=Central and Central Black-Earth,Volga -Vaytski and Volga Basin 1112 508 3 (0.009 0.076 0.54 0.31 0.058) *

85) Reg=North Caucasian,Southern,Western Siberia 785 439 3 (0.0064 0.13 0.44 0.37 0.054)

170) Believer< 0.5 176 83 3 (0.0057 0.19 0.53 0.23 0.045) *

171) Believer>=0.5 609 356 3 (0.0066 0.12 0.42 0.4 0.056)

342) Reg=Southern,Western Siberia 531 303 3 (0.0075 0.12 0.43 0.39 0.051) *

343) Reg=North Caucasian 78 38 4 (0 0.077 0.32 0.51 0.09) *

43) v_age< 37.5 1303 735 3 (0.0077 0.089 0.44 0.38 0.092)

86) Reg=Central and Central Black-Earth,Eastern Siberia and Far Eastern,North Caucasian,Southern,Ural,Volga -Vaytski and Volga Basin 928 491 3 (0.0065 0.073 0.47 0.37 0.08)

172) Marital=Single 328 163 3 (0.012 0.11 0.5 0.3 0.067) *

173) Marital=Married 600 328 3 (0.0033 0.052 0.45 0.4 0.087)

346) Reg=Eastern Siberia and Far Eastern,North Caucasian,Southern 149 66 3 (0 0.047 0.56 0.3 0.094) *

347) Reg=Central and Central Black-Earth,Ural,Volga -Vaytski and Volga Basin 451 253 4 (0.0044 0.053 0.42 0.44 0.084) *

87) Reg=Moskow and Spb,Western Siberia 375 229 4 (0.011 0.13 0.35 0.39 0.12) *

11) Reg=Northern and North Western 353 234 5 (0.011 0.099 0.27 0.28 0.34) *

3) Health=Good,Very good 4541 2394 4 (0.0037 0.041 0.28 0.47 0.21)

6) Reg=Moskow and Spb,Central and Central Black-Earth,Eastern Siberia and Far Eastern,Southern,Ural,Volga -Vaytski and Volga Basin,Western Siberia 3720 1980 4 (0.004 0.046 0.31 0.47 0.17)

12) Marital=Divorced,Widowed 316 176 3 (0.025 0.15 0.44 0.32 0.066) *

13) Marital=Single,Married 3404 1765 4 (0.0021 0.037 0.3 0.48 0.18)

26) Health=Good 3262 1684 4 (0.0021 0.038 0.31 0.48 0.17)

52) v_age>=38.5 1004 538 4 (0.001 0.038 0.37 0.46 0.13)

104) Reg=Central and Central Black-Earth,Eastern Siberia and Far Eastern,Southern,Ural,Volga -Vaytski and Volga Basin 743 378 4 (0.0013 0.038 0.36 0.49 0.1)

208) years_educ< 12.5 185 111 3 (0 0.076 0.4 0.39 0.14) *

209) years_educ>=12.5 558 265 4 (0.0018 0.025 0.35 0.53 0.095) *

105) Reg=Moskow and Spb,Western Siberia 261 160 4 (0 0.038 0.37 0.39 0.2) *

53) v_age< 38.5 2258 1146 4 (0.0027 0.038 0.28 0.49 0.19)

106) Believer< 0.5 688 382 4 (0.0015 0.065 0.33 0.44 0.16)

212) Reg=Southern,Ural,Volga -Vaytski and Volga Basin 297 180 3 (0 0.098 0.39 0.37 0.13) *

213) Reg=Moskow and Spb,Central and Central Black-Earth,Eastern Siberia and Far Eastern,Western Siberia 391 196 4 (0.0026 0.041 0.28 0.5 0.18) *

107) Believer>=0.5 1570 764 4 (0.0032 0.026 0.26 0.51 0.2) *

27) Health=Very good 142 81 4 (0 0.007 0.13 0.43 0.43) *

7) Reg=North Caucasian,Northern and North Western 821 414 4 (0.0024 0.021 0.12 0.5 0.36)

14) Reg=Northern and North Western 299 163 5 (0.0033 0.047 0.17 0.32 0.45) *

15) Reg=North Caucasian 522 212 4 (0.0019 0.0057 0.096 0.59 0.3) *

Спецификация дерева C50

Call:

C5.0.formula(formula = TARGET ~., data = train, control = C5.0Control(CF = 0.25, minCases

= 30, fuzzyThreshold = F, noGlobalPruning = F))

Class specified by attribute `outcome'

Read 11313 cases (13 attributes) from undefined.data

Decision tree:

Health in {Good,Very good}:

:...Reg = North Caucasian: 4 (521.8/212)

: Reg in {Moskow and Spb,Central and Central Black-Earth,

: : Eastern Siberia and Far Eastern,Southern,Ural,

: : Volga -Vaytski and Volga Basin,Western Siberia}:

: :...Marital in {Single,Married}: 4 (3406.5/1766.6)

: : Marital in {Divorced,Widowed}: 3 (325.1/181.2)

: Reg = Northern and North Western:

: :...v_age <= 49: 5 (267/138)

: v_age > 49: 4 (32/16)

Health in {Very bad,Average,Bad}:

:...Reg = Northern and North Western:

:...Health in {Very bad,Bad}: 4 (117/83)

: Health = Average:

: :...Marital in {Divorced,Widowed}: 3 (72.2/47.2)

: Marital in {Single,Married}:

: :...v_nfm <= 2: 3 (102.8/58.8)

: v_nfm > 2: 5 (178/96)

Reg in {Moskow and Spb,Central and Central Black-Earth,

: Eastern Siberia and Far Eastern,North Caucasian,Southern,Ural,

: Volga -Vaytski and Volga Basin,Western Siberia}:

:...Health in {Very bad,Bad}:

:...Marital = Married: 3 (556.3/311.7)

: Marital in {Single,Divorced,Widowed}:

: :...Male > 0: 2 (114.9/60.9)

: Male <= 0:

: :...Believer <= 0: 2 (45.5/19.4)

: Believer > 0:

: :...Health = Very bad: 2 (66.3/39.2)

: Health = Bad: 3 (430.3/260.9)

Health = Average:

:...Marital in {Single,Divorced,Widowed}: 3 (1767.4/916)

Marital = Married:

:...v_age > 36:

:...Reg in {Moskow and Spb,Central and Central Black-Earth,

: : Eastern Siberia and Far Eastern,Southern,Ural,

: : Volga -Vaytski and Volga Basin,

: : Western Siberia}: 3 (2468.2/1235.7)

: Reg = North Caucasian: 4 (81.5/40)

v_age <= 36:

:...Reg in {Central and Central Black-Earth,

: Eastern Siberia and Far Eastern,North Caucasian,

: Southern}: 3 (303.1/158.1)

Reg = Western Siberia: 4 (136.7/77.7)

Reg = Moskow and Spb:

:...v_nfm <= 3: 3 (30/15)

: v_nfm > 3: 4 (39.5/19.5)

Reg = Ural:

:...v_nfm <= 3: 4 (32/14)

: v_nfm > 3: 3 (32/15)

Reg = Volga -Vaytski and Volga Basin:

:...Russian <= 0: 4 (44.9/16)

Russian > 0:

:...years_educ <= 15: 3 (77.4/38)

years_educ > 15: 4 (64.5/31.5)

Спецификация дерева J48

J48 pruned tree

------------------

Health = Very bad: 2 (159.0/108.0)

Health = Average

| Marital = Single: 3 (349.0/175.0)

| Marital = Divorced: 3 (493.0/255.0)

| Marital = Married

| | Reg = Moskow and Spb

| | | v_nfm <= 2: 3 (126.0/61.0)

| | | v_nfm > 2

| | | | years_educ <= 14: 3 (121.0/62.0)

| | | | years_educ > 14: 4 (112.0/60.0)

| | Reg = Central and Central Black-Earth: 3 (620.0/287.0)

| | Reg = Eastern Siberia and Far Eastern: 3 (140.0/72.0)

| | Reg = North Caucasian: 4 (93.0/51.0)

| | Reg = Northern and North Western

| | | Experience <= 21: 5 (106.0/50.0)

| | | Experience > 21: 3 (114.0/75.0)

| | Reg = Southern

| | | v_age <= 57: 3 (215.0/106.0)

| | | v_age > 57: 4 (110.0/54.0)

| | Reg = Ural

| | | v_nfm <= 2: 4 (100.0/59.0)

| | | v_nfm > 2: 3 (143.0/68.0)

| | Reg = Volga вЂ“Vaytski and Volga Basin

| | | v_age <= 40

| | | | v_age <= 34: 4 (111.0/53.0)

| | | | v_age > 34: 3 (106.0/52.0)

| | | v_age > 40: 3 (480.0/236.0)

| | Reg = Western Siberia

| | | v_age <= 36: 4 (117.0/68.0)

| | | v_age > 36: 3 (380.0/204.0)

| Marital = Widowed: 3 (661.0/343.0)

Health = Bad

| Marital = Single: 2 (44.0/22.0)

| Marital = Divorced: 2 (128.0/84.0)

| Marital = Married: 3 (504.0/286.0)

| Marital = Widowed

| | v_age <= 71: 3 (127.0/71.0)

| | v_age > 71

| | | Experience <= 39: 2 (111.0/63.0)

| | | Experience > 39: 3 (131.0/78.0)

Health = Good

| Marital = Single: 4 (426.0/232.0)

| Marital = Divorced: 3 (229.0/132.0)

| Marital = Married: 4 (2236.0/1147.0)

| Marital = Widowed: 4 (122.0/72.0)

Health = Very good: 5 (109.0/61.0)

Number of Leaves : 32

Size of the tree: 47

Спецификация дерева LMT

Logistic model tree

------------------

: LM_1:35/35 (9023)

Number of Leaves : 1

Size of the Tree: 1

LM_1:

Class 1:

-0.35 +

[Male] * 0.09 +

[v_nfm] * -0.21 +

[Russian] * 0.69 +

[Believer] * -0.48 +

[Marital=Single] * -0.2 +

[Marital=Divorced] * 0.91 +

[Marital=Married] * -0.79 +

[years_educ] * -0.09 +

[Experience] * -0.01 +

[Occupation=Unemployed] * 0.08 +

[Occupation=Technicians] * -0.35 +

[Reg=Central and Central Black-Earth] * 0.18 +

[Reg=North Caucasian] * -0.35 +

[Reg=Northern and North Western] * -0.22 +

[Reg=Ural] * 0.15 +

[Reg=Western Siberia] * -0.1 +

[Health=Very bad] * 2.23 +

[Health=Average] * -0.13 +

[Health=Bad] * 1.1 +

[Health=Good] * -1.6

Class 2:

0.9 +

[v_nfm] * -0.02 +

[Russian] * 0.14 +

[Believer] * -0.31 +

[Marital=Divorced] * 0.06 +

[Marital=Married] * -1.05 +

[years_educ] * -0.03 +

[Occupation=Unemployed] * 0.29 +

[Occupation=Clerks] * 0.11 +

[Occupation=Elementary_unskilled_occupation] * 0.47 +

[Occupation=Legislators_senior managers_officials] * -0.13 +

[Occupation=Professionals] * -0.11 +

[Occupation=Services_workers] * 0.1 +

[Occupation=Technicians] * -0.06 +

[Reg=Central and Central Black-Earth] * -0.11 +

[Reg=Eastern Siberia and Far Eastern] * 0.09 +

[Reg=North Caucasian] * -0.19 +

[Reg=Northern and North Western] * -0.3 +

[Reg=Southern] * 0.34 +

[Reg=Ural] * 0.29 +

[Reg=Volga вЂ“Vaytski and Volga Basin] * 0.04 +

[Reg=Western Siberia] * 0.17 +

[Health=Very bad] * 0.37 +

[Health=Bad] * 0.18 +

[Health=Good] * -1.04 +

[Health=Very good] * -1.63

Class 3:

0.55 +

[v_age] * 0 +

[age_sq] * -0 +

[Male] * -0.11 +

[v_nfm] * -0.01 +

[Russian] * 0.15 +

[Believer] * -0.03 +

[Marital=Single] * 0.04 +

[Marital=Married] * -0.22 +

[years_educ] * -0 +

[Experience] * 0 +

[Occupation=Operators_and_assemblers] * 0.13 +

[Occupation=Services_workers] * 0.05 +

[Occupation=Skilled_agriculture_and_fish] * -1.58 +

[Occupation=Technicians] * 0.04 +

[Reg=Central and Central Black-Earth] * 0.15 +

[Reg=Eastern Siberia and Far Eastern] * -0.09 +

[Reg=North Caucasian] * -0.15 +

[Reg=Northern and North Western] * -0.35 +

[Reg=Volga вЂ“Vaytski and Volga Basin] * 0.1 +

[Reg=Western Siberia] * -0.07 +

[Health=Very bad] * -0.25 +

[Health=Average] * 0.54 +

[Health=Bad] * -0.04 +

[Health=Good] * 0.13 +

[Health=Very good] * -0.99

Class 4:

-0.01 +

[v_age] * -0 +

[age_sq] * 0 +

[Male] * 0.02 +

[v_nfm] * 0.01 +

[Russian] * -0.13 +

[Believer] * 0.21 +

[Marital=Divorced] * -0.26 +

[Marital=Married] * 0.07 +

[years_educ] * 0.03 +

[Occupation=Clerks] * 0.05 +

[Occupation=Elementary_unskilled_occupation] * -0.08 +

[Occupation=Legislators_senior managers_officials] * 0.17 +

[Occupation=Services_workers] * -0.06 +

[Occupation=Skilled_agriculture_and_fish] * -0.73 +

[Occupation=Technicians] * -0.06 +

[Reg=North Caucasian] * 0.41 +

[Reg=Ural] * -0.17 +

[Health=Very bad] * -0.49 +

[Health=Average] * 0.21 +

[Health=Bad] * -0.49 +

[Health=Good] * 0.61 +

[Health=Very good] * 0.19

Class 5:

-1.07 +

[v_age] * -0.01 +

[v_nfm] * 0.03 +

[Russian] * -0.29 +

[Believer] * 0.42 +

[Marital=Divorced] * -0.3 +

[Marital=Married] * 0.59 +

[Occupation=Elementary_unskilled_occupation] * -0.37 +

[Occupation=Legislators_senior managers_officials] * 0.16 +

[Occupation=Professionals] * 0.08 +

[Occupation=Services_workers] * -0.26 +

[Occupation=Skilled_agriculture_and_fish] * 0.99 +

[Occupation=Technicians] * 0.06 +

[Reg=Moskow and Spb] * 0.12 +

[Reg=North Caucasian] * 0.53 +

[Reg=Northern and North Western] * 1.4 +

[Reg=Southern] * -0.27 +

[Reg=Ural] * -0.09 +

[Reg=Volga вЂ“Vaytski and Volga Basin] * -0.22 +

[Reg=Western Siberia] * 0.1 +

[Health=Very bad] * -0.29 +

[Health=Bad] * -0.81 +

[Health=Good] * 0.77 +

[Health=Very good] * 1.35

«Socio-demographic characteristics, alcohol drinking and self-rated health among Russian women»

Таблица 5

Спецификации регрессии

	TARGET
Agegroup	-0.418***
education	0.141***
MaritalMarried	0.014
MaritalSingle	0.091
MaritalWidowed	-0.205***
Urban	-0.156***
DrinkingDrinks regularly	0.090**
DrinkingDrinks seldom	0.202***
N	6,290
^p <.05; ^p <.01; ^**p <.001

Спецификация дерева CHAID

Model formula:

TARGET ~ Agegroup + education + Marital + Urban + Drinking

Fitted party:

[1] root

| [2] Agegroup in 1

| | [3] Drinking in Never drinks: Good (n = 451, err = 31.0%)

| | [4] Drinking in Drinks regularly, Drinks seldom: Good (n = 565, err = 42.1%)

| [5] Agegroup in 2

| | [6] Drinking in Never drinks, Drinks seldom: Good (n = 705, err = 43.8%)

| | [7] Drinking in Drinks regularly: Average (n = 556, err = 50.0%)

| [8] Agegroup in 3: Average (n = 1069, err = 42.8%)

| [9] Agegroup in 4: Average (n = 975, err = 30.4%)

| [10] Agegroup in 5

| | [11] Drinking in Never drinks

| | | [12] education in 1: Bad (n = 341, err = 53.4%)

| | | [13] education in 2

| | | | [14] Marital in Divorced, Widowed: Average (n = 374, err = 49.5%)

| | | | [15] Marital in Married, Single: Average (n = 228, err = 48.2%)

| | | [16] education in 3: Average (n = 202, err = 37.6%)

| | [17] Drinking in Drinks regularly, Drinks seldom: Average (n = 824, err = 29.7%)

Number of inner nodes: 6

Number of terminal nodes: 11

Спецификация дерева Rpart

n= 7893

node), split, n, loss, yval, (yprob)

* denotes terminal node

1) root 7893 4246 Average (0.013 0.11 0.46 0.4 0.017)

2) Agegroup>=3.5 2959 1134 Average (0.032 0.24 0.62 0.11 0.002)

4) Drinking=Never drinks 1534 717 Average (0.052 0.32 0.53 0.097 0.002)

8) Agegroup>=4.5 1150 587 Average (0.064 0.37 0.49 0.07 0.0017)

16) education< 1.5 341 182 Bad (0.091 0.47 0.37 0.067 0.0059)

32) Marital=Divorced,Widowed 259 129 Bad (0.089 0.5 0.35 0.058 0.0039) *

33) Marital=Married,Single 82 46 Average (0.098 0.35 0.44 0.098 0.012) *

17) education>=1.5 809 372 Average (0.053 0.34 0.54 0.07 0) *

9) Agegroup< 4.5 384 130 Average (0.016 0.14 0.66 0.18 0.0026) *

5) Drinking=Drinks regularly,Drinks seldom 1425 417 Average (0.0098 0.15 0.71 0.13 0.0021) *

3) Agegroup< 3.5 4934 2095 Good (0.0016 0.028 0.37 0.58 0.026)

6) Agegroup>=2.5 1076 459 Average (0.0056 0.057 0.57 0.36 0.0074) *

7) Agegroup< 2.5 3858 1403 Good (0.00052 0.02 0.31 0.64 0.031)

14) Drinking=Drinks regularly 925 458 Good (0.0011 0.024 0.46 0.5 0.014)

28) Agegroup>=1.5 557 279 Average (0.0018 0.022 0.5 0.47 0.011)

56) Marital=Divorced,Married 499 246 Average (0.002 0.018 0.51 0.46 0.012)

112) education< 1.5 35 15 Average (0 0.029 0.57 0.4 0) *

113) education>=1.5 464 231 Average (0.0022 0.017 0.5 0.47 0.013)

226) Marital=Married 410 203 Average (0.0024 0.02 0.5 0.46 0.015) *

227) Marital=Divorced 54 26 Good (0 0 0.48 0.52 0) *

57) Marital=Single,Widowed 58 28 Good (0 0.052 0.43 0.52 0) *

29) Agegroup< 1.5 368 161 Good (0 0.027 0.39 0.56 0.019) *

15) Drinking=Never drinks,Drinks seldom 2933 945 Good (0.00034 0.019 0.27 0.68 0.036)

30) Agegroup>=1.5 1957 625 Good (0.00051 0.02 0.26 0.68 0.038)

60) Marital=Married,Widowed 1819 574 Good (0 0.02 0.26 0.68 0.038)

120) education>=2.5 1202 377 Good (0 0.02 0.25 0.69 0.043)

240) Urban< 0.5 35 16 Average (0 0.029 0.54 0.4 0.029) *

241) Urban>=0.5 1167 356 Good (0 0.02 0.24 0.69 0.044) *

121) education< 2.5 617 197 Good (0 0.019 0.27 0.68 0.029) *

61) Marital=Divorced,Single 138 51 Good (0.0072 0.029 0.3 0.63 0.029) *

31) Agegroup< 1.5 976 320 Good (0 0.015 0.28 0.67 0.033) *

Спецификация дерева C50

Call:

C5.0.formula(formula = TARGET ~., data = train, control = C5.0Control(CF = 0.25, minCases

= 50, fuzzyThreshold = T, noGlobalPruning = F))

Class specified by attribute `outcome'

Read 7893 cases (6 attributes) from undefined.data

Decision tree:

Agegroup <= 2 (3.5):

:...Agegroup <= 2 (2.5): Good (2857.7/1140.8)

: Agegroup >= 3 (2.5):

: :...Marital in {Divorced,Married,Widowed}: Average (1189.5/577.8)

: Marital = Single: Good (153.3/67.5)

Agegroup >= 4 (3.5):

:...Marital in {Divorced,Married,Widowed}: Average (3372.3/1515.8)

Marital = Single:

:...education <= 1 (1.5): Good (196.4/73.5)

education >= 2 (1.5): Average (123.9/65.1)

Спецификация дерева J48

J48 pruned tree

------------------

Agegroup <= 3

| Agegroup <= 2

| | Agegroup <= 1: Good (1016.0/378.0)

| | Agegroup > 1

| | | Drinking = Never drinks: Good (403.0/176.0)

| | | Drinking = Drinks regularly: Average (556.0/278.0)

| | | Drinking = Drinks seldom: Good (302.0/133.0)

| Agegroup > 2: Average (1069.0/458.0)

Agegroup > 3

| Agegroup <= 4: Average (975.0/296.0)

| Agegroup > 4

| | Drinking = Never drinks

| | | education <= 1: Bad (341.0/182.0)

| | | education > 1: Average (804.0/371.0)

| | Drinking = Drinks regularly: Average (414.0/135.0)

| | Drinking = Drinks seldom: Average (410.0/110.0)

Number of Leaves : 10

Size of the tree: 17

Спецификация дерева LMT

Logistic model tree

------------------

Agegroup <= 3

| Agegroup <= 2

| | Agegroup <= 1: LM_1:10/40 (1016)

| | Agegroup > 1: LM_2:10/40 (1261)

| Agegroup > 2

| | education <= 2: LM_3:10/40 (704)

| | education > 2: LM_4:10/40 (365)

Agegroup > 3: LM_5:10/20 (2944)

Number of Leaves : 5

Size of the Tree: 9

«Пробит-моделирование национальной солидарности на примере России»

Таблица 6

Спецификации регрессии

...

	TARGET
Satisfaction	0.094***
Expectation	0.027
Self_provision	0.158***
Money_satisfaction	0.127***
Wealth_Self_assesment	-0.092***
Health	0.038
Education	-0.069***
Male	0.036
Age	-0.007

Страница:

дипломная работа "Оценка результатов построения деревьев решений при помощи регрессионного анализа" скачать

Подобные документы

Применение метода анализа данных - деревья решений
Разработка и принятие правильного решения как задачи работы управленческого персонала организации. Деревья решений - один из методов автоматического анализа данных, преимущества их использования и область применения. Построение деревьев классификации.

контрольная работа [91,6 K], добавлен 08.09.2011
Реализация стохастического выбора на дереве решений
Этапы построения деревьев решений: правило разбиения, остановки и отсечения. Постановка задачи многошагового стохастического выбора в предметной области. Оценка вероятности реализации успешной и неуспешной деятельности в задаче, ее оптимальный путь.

реферат [188,8 K], добавлен 23.05.2015
Основные задачи системного анализа
Использование системного анализа для подготовки и обоснования управленческих решений по многофакторным проблемам. Возникновение синергетики как науки о законах построения организации, возникновения упорядоченности, развитии и самоусложнении системы.

реферат [40,4 K], добавлен 21.01.2015
Сетевое планирование и управление. Основы регрессионного анализа
Понятие сетевого планирования, его особенности, назначение и сферы применения. Правила и этапы построения сетевых графиков, необходимые расчеты и решение типовых задач. Общая характеристика корреляционного и регрессивного анализа, их применение.

контрольная работа [142,3 K], добавлен 29.04.2009
Методы математического программирования для решения задач
Геометрическая интерпретация, графический и симплексный методы решения задачи линейного программирования. Компьютерная реализация задач стандартными офисными средствами, в среде пакета Excel. Задачи распределительного типа, решаемые в землеустройстве.

методичка [574,3 K], добавлен 03.10.2012
Основы практического использования прикладного регрессионного анализа
Теоретические основы прикладного регрессионного анализа. Проверка предпосылок и предположений регрессионного анализа. Обнаружение выбросов в выборке. Рекомендации по устранению мультиколлинеарности. Пример практического применения регрессионного анализа.

курсовая работа [1,2 M], добавлен 04.02.2011
Математическое программирование
Понятие математического программирования как отрасли математики, являющейся теоретической основой решения задач о нахождении оптимальных решений. Основные этапы нахождения оптимальных решений экономических задач. Примеры задач линейного программирования.

учебное пособие [2,0 M], добавлен 15.06.2015
Методы принятия управленческих решений
Использование симплексного метода решения задач линейного программирования для расчета суточного объема производства продукции. Проверка плана на оптимальность. Пересчет симплексной таблицы методом Жордана-Гаусса. Составление модели транспортной задачи.

контрольная работа [613,3 K], добавлен 18.02.2014
Оптимизационные задачи в экономике и алгоритмы решения некоторых задач линейного программирования
Математическая формализация оптимизационной проблемы. Геометрическая интерпретация стандартной задачи линейного программирования, планирование товарооборота. Сущность и алгоритм симплекс-метода. Постановка транспортной задачи, последовательность решения.

учебное пособие [126,0 K], добавлен 07.10.2014
Методы линейного программирования для решения транспортной задачи
Применение линейного программирования для решения транспортной задачи. Свойство системы ограничений, опорное решение задачи. Методы построения начального опорного решения. Распределительный метод, алгоритм решения транспортной задачи методом потенциалов.

реферат [4,1 M], добавлен 09.03.2011
Творческие задачи и методы их решений
Изучение интуитивных и рациональных методов подхода к решению творческих задач. Темпы технического прогресса напрямую зависят от изобретателей, а экономические успехи зависят от темпов технического прогресса. Методы решения изобретательских задач.

реферат [22,4 K], добавлен 17.07.2008
Экономико-математические методы и прикладные модели
Сущность метода наименьших квадратов. Экономический смысл параметров кривой роста (линейная модель). Оценка погрешности и проверка адекватности модели. Построение точечного и интервального прогноза. Суть графического построения области допустимых решений.

контрольная работа [32,3 K], добавлен 23.04.2013
Разработка управленческих решений на основе задач математического моделирования
Количественное обоснование управленческих решений по улучшению состояния экономических процессов методом математических моделей. Анализ оптимального решения задачи линейного программирования на чувствительность. Понятие многопараметрической оптимизации.

курсовая работа [4,2 M], добавлен 20.04.2015
Однофакторный регрессионный анализ при помощи системы GRETL
Навыки применения теоретических знаний по теме "Одномерный регрессионный анализ" при решении экономических задач с помощью системы GRETL. Анализ затрат в зависимости от числа ящиков, готовых к разгрузке. Обоснование результатов регрессионного анализа

лабораторная работа [27,2 K], добавлен 15.12.2008
Задачи принятия решений в условиях неполной определённости
Решение задач при помощи пакета прикладных программ MatLab. Загрузка в MatLab матриц A и P. Нахождение оптимальной стратегии для заданных матриц с использованием критериев принятия решений в условиях неопределённости Вальда, Гурвица, Лапласа, Сэвиджа.

лабораторная работа [80,2 K], добавлен 18.03.2015
Методы оптимальных решений
Классическая теория оптимизации. Функция скаляризации Чебышева. Критерий Парето-оптимальность. Марковские процессы принятия решений. Метод изменения ограничений. Алгоритм нахождения кратчайшего пути. Процесс построения минимального остовного дерева сети.

контрольная работа [182,8 K], добавлен 18.01.2015
Выполнение корреляционного и регрессионного анализа
Связь между случайными переменными и оценка её тесноты как основная задача корреляционного анализа. Регрессионный анализ, расчет параметров уравнения линейной парной регрессии. Оценка статистической надежности результатов регрессионного моделирования.

контрольная работа [50,4 K], добавлен 07.06.2011
Исследование операций, методы оптимизации
Построение экономических и математических моделей принятия решений в условиях неопределенности. Общая методология оптимизационных задач, оценка преимуществ выбранного варианта. Двойственность и симплексный метод решения задач линейного программирования.

курс лекций [496,2 K], добавлен 17.11.2011
Решения задач линейного программирования геометрическим методом
Основные понятия линейной алгебры и выпуклого анализа, применяемые в теории математического программирования. Характеристика графических методов решения задачи линейного программирования, сущность их геометрической интерпретации и основные этапы.

курсовая работа [609,5 K], добавлен 17.02.2010
Методы машинного обучения для моделирования и прогнозирования финансовых временных рядов
Классические подходы к анализу финансовых рынков, алгоритмы машинного обучения. Модель ансамблей классификационных деревьев для прогнозирования динамики финансовых временных рядов. Выбор алгоритма для анализа данных. Практическая реализация модели.

дипломная работа [1,5 M], добавлен 21.09.2016

Другие документы, подобные "Оценка результатов построения деревьев решений при помощи регрессионного анализа"

весь список подобных работ

скачать работу можно здесь

сколько стоит заказать работу?

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.