教程 · 2026-06-24

决策树分析怎么做？CART 分类/回归树用 AI 一句话完成 — 基尼/信息增益/剪枝/APA 报告全攻略

决策树分析完整教程：CART与CHAID算法对比，基尼系数与信息增益选择，预剪枝/后剪枝策略，准确率/Kappa/AUC评估，与Logistic回归比较，以及可直接套进论文的APA 7th报告句式。

因变量是类别型还是连续型？样本关系复杂、非线性？决策树（Decision Tree）是处理这类问题最直观的方法之一——结果是一棵可以"读出来"的树，每个节点都能解释。这篇教程从 CART/CHAID 算法原理讲到 APA 格式报告，用 AI 一句话跑完全套。

为什么选决策树而不是回归？

在医学、教育、管理、社会科学研究里，很多问题天生适合决策树建模：

因变量是多类别（如轻度/中度/重度抑郁分组、学生通过/不通过/优秀三类）
自变量之间存在复杂交互：年龄与性别的交互对结局的影响难以用线性项捕捉
结果需要给非统计专业的受众解释：一张树形图比一列回归系数直观得多
假设条件更宽松：决策树不要求正态分布、线性关系、方差齐性

决策树的局限同样存在：容易过拟合（尤其是深树）、对连续型因变量预测精度不如线性模型、预测稳定性低于集成方法（随机森林、XGBoost）。但作为探索性分析和可解释性建模的首选工具，决策树在学术论文中占有重要地位。

算法核心：CART vs CHAID

CART（Classification and Regression Trees）

CART 是最常用的决策树算法，由 Breiman 等人（1984）提出。两个关键特征：

二叉树（Binary Split）：每个节点只分成两个子节点，穷举所有可能的切分点，选最优
分类树用基尼系数，回归树用均方误差（MSE）

基尼系数（Gini Impurity）

Gini(t) = 1 - sum_k [p(k|t)^2]

p(k|t) 是节点 t 中第 k 类样本的比例
Gini = 0：节点完全纯净（只有一类）
Gini 越大：节点越不纯（各类混杂）
分裂增益 = 父节点 Gini - 加权子节点 Gini，选增益最大的切分

信息增益（Information Gain，ID3/C4.5 使用）

Gain(D, A) = Entropy(D) - sum_v [|Dv|/|D| * Entropy(Dv)]
Entropy(D) = -sum_k [p_k * log2(p_k)]

CART 与 ID3/C4.5 的主要区别：

特征	CART	ID3 / C4.5
分裂方式	二叉	多叉（C4.5 也支持二叉）
分类准则	基尼系数	信息增益 / 增益率
连续变量处理	自动寻找最优切点	C4.5 支持；ID3 不支持
缺失值处理	代理分裂（Surrogate Split）	C4.5 概率处理
支持回归	是（MSE 最小化）	否
常用软件	SPSS、R（rpart）、Stata	R（party/C50 包）

CHAID（Chi-squared Automatic Interaction Detection）

CHAID 基于卡方检验（或 F 检验）选择分裂变量：

因变量为名义/有序分类时，用 Pearson chi-squared 或 Likelihood Ratio chi-squared
因变量为连续型时，用 F 检验
支持多叉分裂（子节点数 >= 2），更适合类别型自变量
直接控制 I 类错误（Bonferroni 校正），统计解释性强
常见于市场研究、客户细分、临床风险分层

选哪种算法？

场景	推荐
因变量二分类或多分类、自变量含连续型	CART（SPSS/R rpart）
因变量分类、自变量多为名义/有序分类	CHAID（SPSS）
因变量连续（如预测分数、金额）	CART 回归树
需要多叉分裂提高可读性	CHAID
后续要做随机森林/Boosting	CART（统一框架）

剪枝：控制树的复杂度防止过拟合

未剪枝的决策树会"记住"训练数据的每个细节，在新数据上泛化很差——这就是过拟合（Overfitting）。剪枝（Pruning）是控制模型复杂度的核心策略。

预剪枝（Pre-Pruning / Early Stopping）

在生长过程中提前停止：

参数	含义	SPSS 对应设置
max_depth	最大树深（层数）	最大树深
min_samples_split	节点继续分裂所需最小样本数	父节点最小个案数
min_samples_leaf	叶节点最小样本数	子节点最小个案数
min_impurity_decrease	分裂增益低于阈值则停止	最小变化量

后剪枝（Post-Pruning）

先生长完整树，再从叶节点向上剪枝：

代价复杂性剪枝（Cost-Complexity Pruning，CCP）：CART 默认后剪枝方法，通过 alpha 参数控制；alpha 越大树越小
SPSS 中的 Stopping Rules：相当于预剪枝与 chi-squared 剪枝的组合

实践建议：先用预剪枝设置初始约束，再通过交叉验证选最优 alpha（R rpart 的 cp 参数）。

案例数据：糖尿病风险分类预测

研究背景

某社区卫生研究评估影响 2 型糖尿病患病的风险因素，共纳入 520 名 30-70 岁成年人，采用 CART 分类树识别高风险特征组合。

diabetes        糖尿病诊断（0 = 无，1 = 有）    -- 因变量
age             年龄（岁）
bmi             体质指数
fasting_glucose 空腹血糖（mmol/L）
hba1c           糖化血红蛋白（%）
family_hist     家族史（0 = 无，1 = 有）
exercise_freq   每周运动次数
hypertension    高血压史（0 = 无，1 = 有）

研究问题：哪些因素组合能最准确识别高风险个体？决策规则是什么？

用 AI 一句话完成决策树分析

在 chatsrs.com 上传数据后输入：

"以 diabetes 为因变量，age、bmi、fasting_glucose、hba1c、family_hist、exercise_freq、hypertension 为自变量，做 CART 分类决策树分析。请输出：

各变量描述统计（患病组 vs 非患病组对比）

CART 决策树（最大深度 5，叶节点最小 15 个样本），输出树形图和分裂规则

变量重要性排序（基尼增益）

混淆矩阵 + 准确率、敏感度、特异度、Kappa 系数

ROC 曲线 + AUC（含 95% CI）

与二元 Logistic 回归对比（同样的自变量，比较 AUC 和准确率）

APA 格式中文文字描述"

输出结果怎么读

输出 1：决策树分裂规则

ChatSRS 输出的树形图（文字版示意）：

根节点（N = 520，患病率 = 36.2%）
|
|-- [规则 1] hba1c < 6.5%
|   |-- [规则 1.1] fasting_glucose < 6.1 mmol/L
|   |   |-- 叶节点 A：患病率 = 8.3%（N = 108，低风险）
|   |   |-- [规则 1.2] fasting_glucose >= 6.1 mmol/L
|   |       |-- family_hist = 0
|   |       |   |-- 叶节点 B：患病率 = 28.6%（N = 63，中风险）
|   |       |-- family_hist = 1
|   |           |-- 叶节点 C：患病率 = 51.4%（N = 37，高风险）
|
|-- [规则 2] hba1c >= 6.5%
    |-- bmi < 28.0
    |   |-- 叶节点 D：患病率 = 72.3%（N = 94，高风险）
    |-- bmi >= 28.0
        |-- 叶节点 E：患病率 = 89.1%（N = 128，极高风险）

决策规则解读：

叶节点 A（低风险）：HbA1c < 6.5% 且空腹血糖 < 6.1 mmol/L，患病率仅 8.3%
叶节点 E（极高风险）：HbA1c >= 6.5% 且 BMI >= 28.0，患病率达 89.1%
家族史在 HbA1c 正常但血糖偏高的中间人群中起到二次分层作用

输出 2：变量重要性

表 1  CART 分类树变量重要性（基于基尼增益，N = 520）

变量              重要性得分    排序
hba1c             0.342         1
fasting_glucose   0.287         2
bmi               0.168         3
family_hist       0.089         4
age               0.062         5
hypertension      0.031         6
exercise_freq     0.021         7

注：重要性得分为该变量在所有分裂中贡献的基尼增益总和，标准化至 0-1。

输出 3：模型评估指标

表 2  CART 决策树分类性能（N = 520，10 折交叉验证）

指标                  训练集      交叉验证
总体准确率            87.5%       83.3%
敏感度（灵敏度）      84.0%       79.3%
特异度                89.8%       85.5%
阳性预测值（PPV）     83.5%       79.2%
阴性预测值（NPV）     90.1%       86.1%
Kappa 系数            0.740       0.649
AUC                   0.912       0.876

注：交叉验证准确率用于评估泛化能力，训练集准确率仅供参考。
   Kappa .61-.80 为良好一致性（Substantial），> 0.80 为极好一致性（Landis & Koch, 1977）。
   AUC 95% CI（交叉验证）: [0.844, 0.908]

输出 4：混淆矩阵

表 3  混淆矩阵（截断概率 = 0.5，10 折交叉验证）

               预测：无糖尿病    预测：有糖尿病    行合计
实际：无糖尿病    284（TN）         48（FP）         332
实际：有糖尿病     39（FN）        149（TP）         188
列合计            323               197              520

注：TN = 真阴性，TP = 真阳性，FN = 假阴性，FP = 假阳性。
   敏感度 = TP/(TP+FN) = 149/188 = 79.3%；特异度 = TN/(TN+FP) = 284/332 = 85.5%。

与 Logistic 回归对比

决策树和 Logistic 回归是分类问题中最常被比较的两种方法，了解差异有助于方法选择和论文写作。

对比维度	CART 决策树	二元 Logistic 回归
结果形式	树形规则（if-then 条件判断）	回归方程 + OR 值
假设条件	无需正态、线性、方差齐	假设较多（线性关系、无多重共线性等）
交互效应	自动捕获（通过分裂节点体现）	需手动加入交互项
变量重要性	直接输出（基尼增益）	间接（Wald 统计量）
过拟合风险	高（需剪枝）	相对较低（正则化天然约束）
可解释性	极高（规则直观）	中等（OR 值有统计含义）
APA 报告	报告准确率/Kappa/AUC/树深	报告 OR/95% CI/伪 R^2
大样本性能	与集成方法差距大	稳定
适用场景	探索性分析、风险分层、临床路径	确认性分析、因果推断、医学流行病

本例对比结果：

表 4  CART 决策树与 Logistic 回归性能对比（N = 520，10 折交叉验证）

方法                  AUC     准确率    Kappa    敏感度    特异度
CART 决策树           0.876   83.3%     0.649    79.3%     85.5%
二元 Logistic 回归    0.891   84.7%     0.673    81.4%     86.9%

注：两种方法 AUC 差异通过 DeLong 检验评估：z = 1.24, p = .214，无统计学差异。
   Logistic 回归略优于 CART，差异无统计学意义。

结论：当二者 AUC 无显著差异时，CART 的可解释性优势（清晰的分裂规则）使其在临床决策支持场景中更受偏好；Logistic 回归在报告 OR 值（病因学解释）时更具优势。

论文里怎么报告（APA 7th 格式）

决策树 APA 报告没有如 Logistic 回归那样成熟的统一规范，但学界已形成若干约定俗成的要求。

方法节（前提说明）

采用 CART（Classification and Regression Trees）算法构建分类决策树，以探索糖尿病患病的风险特征组合。以 diabetes 为因变量，纳入 7 个潜在预测变量。模型参数设置：最大树深 = 5，叶节点最小样本数 = 15，采用代价复杂性后剪枝（alpha 通过 10 折交叉验证确定）。以混淆矩阵、总体准确率、Kappa 系数和 ROC 曲线下面积（AUC）评价模型性能。为评估泛化能力，所有性能指标均基于 10 折交叉验证结果报告。统计分析以 R 4.4（rpart 包）实施，检验水准 alpha = .05（双尾）。

结果节（完整句式）

CART 分类决策树共生成 5 个叶节点（树深 = 3），糖化血红蛋白（HbA1c）为根节点分裂变量（基尼增益 = 0.342），其次为空腹血糖（增益 = 0.287）和 BMI（增益 = 0.168）（见图 1 决策树图）。

模型在 10 折交叉验证下的总体准确率为 83.3%，Cohen's kappa = .649，95% CI [.581, .717]，提示模型具有良好的分类一致性（Substantial；Landis & Koch, 1977）。ROC 曲线下面积 AUC = .876，95% CI [.844, .908]（p < .001），表明模型对糖尿病的区分能力良好。敏感度为 79.3%，特异度为 85.5%，阳性预测值为 79.2%，阴性预测值为 86.1%（见表 2）。

与同数据集上拟合的二元 Logistic 回归相比（AUC = .891），CART 决策树 AUC 无显著差异，z = 1.24, p = .214（DeLong 检验）。

APA 报告格式汇总

要素	格式示例
Kappa 系数	Cohen's kappa = .649, 95% CI [.581, .717]
AUC	AUC = .876, 95% CI [.844, .908], p < .001
准确率	总体准确率 = 83.3%（交叉验证）
敏感度/特异度	敏感度 = 79.3%，特异度 = 85.5%
变量重要性	HbA1c（基尼增益 = 0.342）
算法参数	最大深度 = 5，叶节点最小样本数 = 15
软件声明	R 4.4 rpart 包 / SPSS 28 决策树模块

效应量参考（Landis & Koch, 1977 Kappa 解读标准）： kappa < .20 = 极差；.21-.40 = 一般；.41-.60 = 中等；.61-.80 = 良好；> .80 = 极好

常见问题 FAQ

Q1：基尼系数和信息增益哪个更好？选哪个？

A：两者在多数情况下给出相似的分裂结果，差异主要在处理多类别变量时：信息增益对具有更多类别值的变量有偏好（容易选类别数多的变量作为分裂点），C4.5 的"增益率"（Gain Ratio）通过惩罚项修正了这一偏差；基尼系数计算更快，对二分类问题与信息增益几乎等价。实践中：SPSS 和 R rpart 默认使用基尼系数，可直接沿用；若审稿人要求说明，在方法节注明"以基尼系数作为节点分裂准则"即可。

Q2：决策树的"变量重要性"可以当作因果推断的依据吗？

A：不能直接用于因果推断。决策树的变量重要性反映的是预测贡献（该变量在多少个分裂点上、贡献了多少基尼增益），而非因果效应。与 Logistic 回归的 OR 值不同，重要性得分没有"控制其他变量"的含义——某变量重要性高，可能是因为它是真正的原因变量，也可能因为它与真正的原因变量高度相关。论文中的因果推断应依赖回归分析、倾向评分匹配（PSM）或工具变量法，决策树适合用于探索性预测建模和风险分层。

Q3：样本量需要多大？CART 有 EPV 类似的要求吗？

A：CART 没有像 Logistic 回归那样严格的 EPV（Events Per Variable）规则，但实践经验建议：每个叶节点最少 20-30 个样本，训练集总样本量建议在 200 以上。样本量太小会导致过拟合严重，即便剪枝也难以改善泛化性能。ChatSRS 在样本量不足时会自动警告并建议调整参数或改用更简单的模型。若数据量非常有限（n < 100），建议直接使用 Logistic 回归。

Q4：分类树和回归树有什么本质区别？

A：核心区别在于因变量类型和分裂准则。分类树：因变量为类别型，使用基尼系数或信息增益选择最优分裂，叶节点输出为多数类别；回归树：因变量为连续型，使用均方误差（MSE）或均值绝对误差（MAE）选择最优分裂，叶节点输出为该区域样本均值。两者在算法框架上统一，CART（Classification And Regression Trees）名字中的"R"正指回归树。在 ChatSRS 中，上传数据后指定"做回归决策树，预测因变量 Y"即可自动切换到回归树模式，输出 MSE、RMSE、R^2 及变量重要性。

Q5：决策树对异常值敏感吗？需要标准化吗？

A：决策树对异常值不敏感——因为分裂依据的是样本的排序（连续变量的切点），不依赖均值和方差。极端值不会像线性回归那样扭曲整个回归面。同样，决策树不需要对变量做标准化或中心化处理，变量尺度不影响分裂结果（这与 SVM、逻辑回归不同）。但存在严重录入错误的离群值（如年龄 = 999）仍需在数据清洗阶段处理，否则会形成孤立的单样本节点。

小结

决策树分析（尤其是 CART）是兼具预测性能和可解释性的强大工具。论文中正确使用决策树，核心要点有三：

报告剪枝策略和参数设置：最大深度、叶节点最小样本数、交叉验证方式，让读者能重现你的树
用交叉验证指标评估性能：训练集准确率不代表泛化能力，必须报告交叉验证的准确率/Kappa/AUC
APA 格式报告 Kappa + AUC + 混淆矩阵关键值：比单报"准确率"更符合期刊规范

在 chatsrs.com 一句话指令，即可获得：树形图 + 分裂规则 + 变量重要性 + 混淆矩阵 + ROC/AUC + 与 Logistic 对比 + 可直接粘贴进论文的 APA 7th 格式文字。