统计百科 ·
决策树(CART)分析APA报告怎么写？准确率+Gini+变量重要性+树深度完整模板
统计百科：APA 7th 格式下决策树(CART)分析的完整报告规范——准确率、Gini不纯度、变量重要性排序、树深度与节点数，给出可直接套入论文的报告句式，盘点审稿人最常指出的格式问题。
决策树写进论文，卡点不在于跑模型，而在于"该报告什么、怎么报"：准确率精确到几位、Gini不纯度和信息增益哪个写、变量重要性要不要加百分比、树深度和节点数放在哪段……这篇文章专攻 CART 决策树的 APA 7th 报告格式，给出方法章节、结果章节的完整模板，并逐一说明审稿人最常挑的格式问题。
你的决策树报告有这些问题吗？
审稿人或导师关于决策树结果报告最常见的反馈：
- "准确率缺置信区间，请补充 95% CI 或报告 Kappa 系数"
- "变量重要性只列排名，没有说明重要性的计算依据（Gini vs. 信息增益）"
- "树深度和叶节点数未报告，无法判断模型是否过拟合"
- "测试集和训练集准确率未区分，报告数据来源不明"
- "ROC-AUC 未报告，仅用准确率评估分类任务存在类别不平衡风险"
- "方法章节缺少剪枝策略说明（pre-pruning/post-pruning 的超参数）"
上述问题集中反映了一个事实：APA Publication Manual 第七版本身没有专门针对机器学习方法的报告规范，研究者必须借鉴"统计结果报告原则"（APA 7th §6.42–6.44）+ 计量心理学及数据科学期刊的惯用格式拼合出规范写法。本文整合这两套标准，给出 CART 决策树的完整可用模板。
如果你做的是逻辑回归而非决策树，建议先读 逻辑回归 OR 的 APA 7th 报告写法；如需报告 ROC-AUC，可参考 ROC-AUC 的 APA 报告写法。
一、CART 决策树的统计指标体系
在报告决策树结果之前，先厘清每个指标的含义与所属层次——方法章节和结果章节各自应该放什么。
1.1 模型层面指标（结果章节主体）
| 指标 | 含义 | 报告精度 |
|---|---|---|
| 准确率（Accuracy） | 正确分类样本占总样本的比例 | 两位小数（如 .87 或 87.3%） |
| 灵敏度（Sensitivity/Recall） | 真正例率，正例被正确识别的比例 | 两位小数 |
| 特异度（Specificity） | 真负例率，负例被正确识别的比例 | 两位小数 |
| 精确率（Precision） | 预测为正例中实际为正例的比例 | 两位小数 |
| F1 分数 | 精确率与灵敏度的调和均值 | 两位小数 |
| ROC-AUC | ROC 曲线下面积，0.5（随机）~ 1（完美） | 两位小数 |
| Cohen's Kappa | 校正随机一致性后的分类准确度 | 两位小数 + 95% CI |
注：当类别不平衡时（如正例占比 < 20%），仅报告准确率会严重高估模型性能，必须补充 F1 和 ROC-AUC。
1.2 树结构指标（结果章节辅助）
| 指标 | 含义 | 典型报告方式 |
|---|---|---|
| 树深度（Tree Depth） | 根节点到最深叶节点的层数 | 整数，如 depth = 5 |
| 叶节点数（Leaf Nodes） | 最终分类端点数量 | 整数 |
| 内部节点数（Internal Nodes） | 含分裂规则的节点数 | 整数，可与叶节点合计 |
| 总节点数 | 内部节点 + 叶节点 | 整数 |
1.3 节点分裂指标（方法章节说明）
| 指标 | 含义 | 适用场景 |
|---|---|---|
| Gini 不纯度（Gini Impurity） | 衡量节点内样本类别混杂程度（越小越纯） | CART 默认分裂准则（分类） |
| 信息增益（Information Gain） | 分裂前后熵的减少量 | ID3 / C4.5 决策树 |
| 均方误差（MSE） | 预测值与真实值的平均平方差 | CART 回归树 |
CART（Classification and Regression Trees）默认使用 Gini 不纯度作为分裂准则，APA 报告中必须明确说明使用了哪种准则。
1.4 变量重要性（结果章节第二段）
CART 的变量重要性（Feature Importance）基于每个特征在所有分裂节点上贡献的 Gini 不纯度减少量的加权总和，归一化后各变量重要性之和为 1（即 100%）。
$\text{Importance}(x_j) = \sum_{t: \text{split on } x_j} \Delta \text{Gini}(t) \times n_t / N$
报告时通常按重要性降序列出前 5–10 个变量，每个变量给出重要性数值（建议同时给出百分比形式）。
二、APA 7th 格式要求：决策树报告必须包含的要素
APA 7th 对统计结果的报告原则（Manual §6.42–6.44）要求报告：样本量、效应量、置信区间、以及足够的方法细节使读者能够复现结果。对应到决策树：
必报要素清单
| 要素 | 放在哪里 | 具体内容 |
|---|---|---|
| 算法与分裂准则 | 方法章节 | CART + Gini 不纯度（或信息增益） |
| 数据划分方式 | 方法章节 | 训练集/测试集比例，随机种子 |
| 剪枝策略 | 方法章节 | 最大深度、最小叶节点样本数等超参数 |
| 交叉验证 | 方法章节 | k-fold CV 设置（如适用） |
| 混淆矩阵摘要 | 结果章节 | TP/FP/TN/FN 或灵敏度/特异度 |
| 准确率（含 CI） | 结果章节 | 测试集准确率 + 95% CI |
| ROC-AUC（或 Kappa） | 结果章节 | 量化分类性能，应对类别不平衡 |
| 树结构 | 结果章节 | 最终树深度、叶节点数 |
| 变量重要性 | 结果章节 | 前 N 个变量，按重要性降序 |
| 软件与版本 | 方法章节 | 如 Python sklearn 1.4.0 / R rpart 4.1.23 / ChatSRS |
三、方法章节：标准报告模板
方法章节要让读者能够复现你的分析——超参数、划分方式、评估指标选择都要说清楚。
模板（可直接套用）
采用 CART（Classification and Regression Trees）决策树算法构建[因变量]
的分类模型，分裂准则为 Gini 不纯度。数据按 [7:3 / 8:2 / 随机 k 折]
划分为训练集（n = [训练集样本量]）与测试集（n = [测试集样本量]），
随机种子设为 [seed]（保证可复现性）。
为控制过拟合，通过 [k]-折交叉验证在训练集上对最大树深度
（max_depth = [2–15]）和叶节点最小样本数（min_samples_leaf = [X]）
进行网格搜索，以验证集准确率为优化目标，选取最优超参数组合。
模型性能以测试集准确率（Accuracy）、灵敏度（Sensitivity）、
特异度（Specificity）及 ROC 曲线下面积（AUC）综合评估；
当类别比例失衡时，额外报告 F1 分数和 Cohen's Kappa。
变量重要性依据各特征在所有分裂节点上对 Gini 不纯度减少量的贡献
（归一化后相加为 1）进行排序。统计分析使用 ChatSRS（CART 引擎）。
填入数值的示例（疾病风险分类研究）
采用 CART 决策树算法构建糖尿病风险的二分类模型，分裂准则为 Gini 不纯度。数据集（N = 768）按 7:3 比例随机划分为训练集（n = 537）与测试集（n = 231），随机种子设为 42。通过 10 折交叉验证对最大树深度（max_depth = 2–12）和叶节点最小样本数（min_samples_leaf = 5–30）进行网格搜索，最优超参数为 max_depth = 5、min_samples_leaf = 10。模型性能以测试集准确率、灵敏度、特异度及 AUC 综合评估，变量重要性依据 Gini 不纯度减少量贡献排序。统计分析使用 ChatSRS（CART 引擎）。
四、结果章节：完整 APA 报告模板
结果章节分三段：(1) 模型性能指标；(2) 树结构描述；(3) 变量重要性。
4.1 模型性能报告模板
CART 决策树模型在测试集（n = [N_test]）上的整体准确率为 [XX.X]%
（95% CI [XX.X%, XX.X%]），显著优于基线分类器（多数类准确率 [XX.X]%）。
混淆矩阵结果显示，模型对[正例/类别名]的灵敏度为 [XX]%，
特异度为 [XX]%，精确率为 [XX]%，F1 分数为 [.XX]。
ROC 曲线下面积（AUC）= [.XX]（95% CI [.XX, .XX]），
表明模型具有[良好/中等/一般]的判别能力
（AUC 解读参照 Hosmer & Lemeshow，2000：
.7–.8 = 可接受，.8–.9 = 出色，> .9 = 优秀）。
Cohen's Kappa = [.XX]（95% CI [.XX, .XX]），
表明模型与真实标签的一致性[中等/良好]（Landis & Koch，1977）。
填入数值的示例：
CART 决策树模型在测试集（n = 231）上的整体准确率为 79.2%（95% CI [73.5%, 84.2%]），显著优于多数类基线分类器（65.1%）。混淆矩阵结果显示，模型对糖尿病阳性病例（正例）的灵敏度为 73.4%，特异度为 82.6%，精确率为 71.8%，F1 分数为 .726。ROC 曲线下面积 AUC = .84（95% CI [.79, .89]），表明模型具有出色的判别能力（Hosmer & Lemeshow，2000）。Cohen's Kappa = .56（95% CI [.47, .65]），表明模型与真实标签达到中等至良好的一致性（Landis & Koch，1977）。
4.2 树结构描述模板
经超参数调优后，最终决策树的最大深度为 [d] 层，
共包含 [total] 个节点（[internal] 个内部节点，[leaf] 个叶节点）。
根节点分裂特征为[变量名]（Gini 减少量 = [.XX]），
第一层分裂阈值为 [变量名] [</>] [阈值]（左支：n = [n1]，右支：n = [n2]）。
与未剪枝树（深度 = [d_raw]，叶节点 = [leaf_raw]）相比，
剪枝后树深度降低 [X] 层，测试集准确率提升 [X.X]%，表明剪枝有效抑制了过拟合。
填入数值的示例：
经超参数调优后，最终决策树的最大深度为 5 层，共包含 31 个节点（15 个内部节点，16 个叶节点）。根节点分裂特征为血糖浓度（Gini 减少量 = .142），第一层分裂阈值为血糖浓度 < 127.5 mg/dL（左支：n = 341，低风险；右支：n = 196，高风险）。与未剪枝树（深度 = 12，叶节点 = 87）相比，剪枝后树深度降低 7 层，测试集准确率从 74.9% 提升至 79.2%，印证了剪枝对过拟合的抑制效果。
4.3 变量重要性报告模板
基于 Gini 不纯度减少量的变量重要性分析结果如下表所示（Table [X]）。
[变量1]对模型分类贡献最大（重要性 = [.XX]，占比 [XX.X]%），
其次为[变量2]（[.XX]，[XX.X]%）和[变量3]（[.XX]，[XX.X]%）。
前[k]个变量的累积重要性达 [XX.X]%，说明模型对[领域]分类
主要依赖少数核心特征。[最后两个变量名]的重要性均低于 1%，
提示其对本模型的分类贡献可忽略。
Table 示例（APA 7th 格式三线表）：
| 排名 | 变量名 | 重要性 | 占比 | 累积占比 |
|---|---|---|---|---|
| 1 | 血糖浓度 | .312 | 31.2% | 31.2% |
| 2 | BMI 指数 | .214 | 21.4% | 52.6% |
| 3 | 年龄 | .157 | 15.7% | 68.3% |
| 4 | 胰岛素水平 | .118 | 11.8% | 80.1% |
| 5 | 糖尿病家族史 | .089 | 8.9% | 89.0% |
| 6 | 收缩压 | .054 | 5.4% | 94.4% |
| 7 | 皮肤厚度 | .031 | 3.1% | 97.5% |
| 8 | 妊娠次数 | .025 | 2.5% | 100.0% |
注：重要性基于 Gini 不纯度减少量，归一化后各变量之和为 1。
填入数值的示例：
变量重要性分析显示，血糖浓度（.312，31.2%）、BMI 指数（.214，21.4%）和年龄（.157，15.7%）是糖尿病风险分类中贡献最大的三个特征，三者累积重要性达 68.3%（见 Table 2）。胰岛素水平和糖尿病家族史亦有显著贡献（合计 20.7%）。皮肤厚度和妊娠次数的重要性均低于 4%，对分类决策的贡献边际化。
五、在 ChatSRS 一句话获得规范决策树报告
打开 chatsrs.com，上传数据后输入：
"对[因变量]做 CART 决策树分类，按 7:3 划分训练集和测试集，10 折交叉验证调优 max_depth（2–10）和 min_samples_leaf（5–20）；输出测试集准确率（含 95% CI）、灵敏度、特异度、F1、ROC-AUC、Cohen's Kappa；报告最终树的深度和叶节点数；按 Gini 减少量给出所有变量的重要性排序（含百分比）；结果按 APA 7th 格式输出，包含方法章节段落和结果章节段落。"
ChatSRS 会自动完成模型训练、评估指标计算、变量重要性排序，并输出符合上文格式的可直接复制段落，无需手动填写数值。
六、方法章节中的软件引用格式
APA 7th 要求在方法章节注明所用统计软件。各软件决策树的 APA 引用格式如下：
ChatSRS（推荐）：
统计分析使用 ChatSRS（ChatSRS Team，2024）进行，
该平台集成 CART 决策树分析功能，输出符合 APA 7th 格式的分析报告。
Python scikit-learn：
使用 Python（版本 3.11.0；Van Rossum & Drake，2009）
及 scikit-learn 库（版本 1.4.0；Pedregosa et al.，2011）
中的 DecisionTreeClassifier 进行 CART 决策树分析，
分裂准则为 Gini 不纯度，剪枝通过最大深度约束实现。
R rpart：
使用 R（版本 4.3.2；R Core Team，2023）的 rpart 包
（版本 4.1.23；Therneau & Atkinson，2023）进行 CART 决策树分析，
分裂准则选用 Gini 不纯度。
七、常见错误对照表
| 常见错误 | 正确做法 | 说明 |
|---|---|---|
| 只报训练集准确率 | 必须报测试集准确率 | 训练集准确率高度乐观，无法反映泛化能力 |
| 准确率无置信区间 | 补充 95% CI（如 Wilson 区间法） | APA 要求区间估计，准确率 CI 使用 Wilson 法更准确 |
| 不区分 Gini 和信息增益 | 方法章节明确写明分裂准则 | CART = Gini；ID3/C4.5 = 信息增益，不可混用 |
| 变量重要性无计算依据说明 | 说明重要性基于 Gini 减少量贡献 | 不同算法重要性定义不同，需说明来源 |
| 不报树深度和节点数 | 结果章节必须报告树结构 | 供读者判断复杂度与过拟合风险 |
| 类别不平衡只报准确率 | 补充 F1、AUC、Kappa | 准确率在不平衡数据下会严重虚高 |
| 未说明剪枝策略 | 方法章节报告剪枝超参数 | 未剪枝与剪枝模型差异巨大，必须说明 |
| 混淆矩阵放入正文但格式随意 | 用 APA 三线表呈现混淆矩阵 | 正文描述 + 附表，不要用截图 |
常见 FAQ
Q：决策树需要报告"显著性 p 值"吗？
A：通常不需要，也没有单一的全局 p 值。CART 决策树是一种非参数机器学习算法，每个节点的分裂依据是 Gini 不纯度减少量（或信息增益），没有对应的假设检验框架。APA 7th §6.42–6.44 指出，当统计量不存在标准假设检验时，用效应量和置信区间替代——因此决策树报告的核心是准确率的 95% CI、AUC 的 95% CI 和 Cohen's Kappa，而非 p 值。部分研究者会用 McNemar 检验比较两个分类模型的准确率差异，此时才涉及 p 值，需说明检验对象是模型间比较而非模型本身。
Q：Gini 不纯度越低越好还是越高越好？
A：Gini 不纯度越低越好——它衡量节点内样本类别的混杂程度，值域为 [0, 0.5]（二分类）。纯节点（所有样本属于同一类）Gini = 0；完全混杂节点（各类比例相等）Gini 最大（二分类时 = 0.5）。CART 在每个节点选择能使"分裂后加权 Gini 不纯度下降最大"的特征，因此 Gini 减少量越大的特征越重要。报告时通常不直接报告各节点的 Gini 值，而是报告基于 Gini 减少量计算的变量重要性。
Q：变量重要性排序和逻辑回归系数有可比性吗？
A：两者不可直接比较，含义不同。逻辑回归系数（或标准化后的 beta）反映该变量在控制其他变量后的独立效应方向与大小；CART 变量重要性反映该变量在分裂节点上贡献的 Gini 不纯度减少量总和，不区分效应方向（正负）。同一份数据，重要性排名第一的变量在逻辑回归中未必是最大系数，因为决策树能捕捉非线性关系和特征交互，而逻辑回归默认线性假设。若需解释变量方向，可结合 SHAP 值（SHapley Additive exPlanations）报告，ChatSRS 支持一键输出 SHAP 分析。
Q：论文里要放决策树图吗？放了之后还需要文字描述吗？
A：决策树图（树状结构图）建议作为 Figure 呈现，但仍需文字描述。原因：(1) 深度 > 4 的树图在 A4 页面可读性极差，应在方法章节说明"完整树图见附录 A"；(2) 结果段落需用文字描述根节点、第一层分裂及关键路径，不能让读者自行看图得出结论。APA 7th Figure 格式要求：图标题置于图下方，格式为 "Figure [N]\n[描述]"，不加粗，无句点。若树结构超过两层，建议仅在论文中呈现精简版（depth <= 3），完整树图作为补充材料。
相关阅读
- 决策树 AI 实操教程 — CART/随机森林/梯度提升一站式
- 逻辑回归 OR 值的 APA 7th 报告写法
- ROC-AUC 的 APA 报告写法与 CI 计算
- F 值的 APA 7th 报告写法 — 方差分析完整模板
本文首发于 ChatSRS 官方博客。如有问题或反馈，欢迎在 ChatSRS 站内 [用户中心 -> 帮助与反馈] 联系我们。