按树汇总

在“Bootstrap 森林法”平台中，“按树汇总”报表涉及袋内和袋外观测的概念。对于单个树，在抽取用于拟合树的观测的 Bootstrap 样本时是有放回的。即便指定对 100% 的观测抽样，但因为抽样时有放回，所以未使用的观测数的预期比例为 1/e。对于每一棵树，这些未使用的观测都称为袋外观测。拟合树中使用的观测称为袋内观测。使用汇总可以评估抽样方法对树的影响。人们会期望各个树的汇总值是相似的。

“按树汇总”报表显示每棵树的以下汇总统计量：

拆分

决策树中的拆分数。

排名

以升序排列的树的“平均 OOB 损失”的排名。“平均 OOB 损失”最小的树的排名为 1。

OOB 损失

一个测度，用于衡量在执行树剪除之前应用到“袋外”行时树的预测不准确性。树继续拆分，直到它们达到指定的最大大小，或者直到停止条件停止了改进。若由于停止条件未能改进而导致拆分停止，则将树剪除回一级以获得最终的树。较低的值指示较高的预测准确性。

OOB 平均损失

除以 OOB 行数 (OOB 个数) 后的 OOB 损失。

R 方

（仅可用于连续响应。）树的 R 方值。

IB 误差平方和

（仅可用于连续响应。）“袋内”行的误差平方和。

IB 平均误差平方和

（仅可用于连续响应。）“袋内”行的误差平方和除以“袋内”观测数。“袋内”观测数等于训练集中的观测数乘以您在“Bootstrap 森林法规格”窗口中指定的 Bootstrap 抽样率。

OOB 个数

（仅可用于连续响应。）“袋外”行数。

OOB 误差平方和

（仅可用于连续响应。）当最终树应用到“袋外”行时的误差平方和。

OOB 平均误差平方和

（仅可用于连续响应。）除以 OOB 行数 (OOB 个数) 后的 OOB 误差平方和。

需要更多信息？有问题？从 JMP 用户社区得到解答 (community.jmp.com).