（该文为个人的一个记录，也许有错，可以参考下）

决策树模型建立

1.点击源、Excel，在空白处得到一个Excel

点击生成的Excel，导入要处理的数据，再点确定

 PS：点击上图中的预览可以查看表格数据

 2.点击字段选项、类型，在空白得到一个类型图标

 点生成的类型图标，点选取值，选择输入的数据和要预测的目标（目标测量要为分类，不能是连续），最后点确定即可。

3.点击 分区，在空白处得到分区图标

 点生成的分区图标，一般训练、测试分区设为70:30，之后可以根据所需调整比例，最后点确定

 4.点 建模、C 5.0,

 点得到的 C 5.0，点击 运行，得到结果

5.点击 结果，得到下图

 预测变量重要性图

（个人感觉就是一些变量对目标的重要性，重要性越大，对目标影响越大）

决策树模型

（点击那个按钮可以复制这个模型） 

（那个按钮右边为放大、缩小按钮，再右边三个按钮为展现数据的形式，再右边三个按钮为展现 竖立、右横着、左横着 的模型形式，可以自己试试，描述不是很清楚）

6.点 输出、分析

 点击 分析，勾选你想要的数据（我举例子就不勾选数据了，直接默认输出），再点 运行，得到结果如下下图

（这个结果说明 训练集预测正确率、错误率为65.31%、34.69%，预测集预测正确率、错误率为53.1%、46.9%）

（预测集正确性越高，模型准确率越高，80%以上好些）

（要提高模型准确率，可以调整训练集测试集比例、调整输入的数据）

7.结果分析（可以参考下）

比如：评估度量

 （1）AUC值

AUC值一般在[0.5,1]中，0.5代表模型没有分类效果，小于0.5表示不如随机预测，大于0.5表示得到的模型比随机猜测好，AUC值越高越好。此外，AUC比准确率在对数据不平衡的数据集构建的模型有更好的评价意义。

（2）Gnini（基尼指数）

基尼指数表示在样本集合中一个随机选中的样本被分错的概率。Gini越小，表示集合中被选错的样本被参错的概率越小，也可以说是集合的纯度越高，特征越好，反之则纯度不高。