同时我们可以对数据中的离群点和异常点进行丢弃的操作.

然后我们需要对顾客每次的平均消费进行一个离散化.具体的离散化分割点，如下表所示

以及它的分布情况包括最大值最小值均值，偏度和峰度

方法和模型结果

一个决策树的架构，是由三个部分所组成：叶节点 (Leaf Node)、决策节点 (Decision nodes) 以及分支 。决策树演算法的基本原理为：通过演算法中所规定的分类条件对于整体数据进行分类，产生一个决策节点，并持续依照演算法规则分类，直到数据无法再分类为止。

决策树演算法依据其演算原理以及可适用分析数据类型的不同延伸出多种决策树演算法。在 IBM SPSS Modeler 中，主要提供了四种常用的决策树演算法供使用者选择，分别为：C5.0、CHAID、QUEST 以及 C&R Tree 四种。

考量到数据特性以及我们希望提供的决策树具有多元分类法，因此我们将建立 chaid分类模型。

CHAID 节点设定

将 CHAID 节点与分区节点连接后，我们将于此节点编辑页面中的模型标签下设定相关的变数。由于 CHAID 节点设定较多，以下将挑选我们有修改预设值的变数进行详细介绍。此定义来自“SPSS Modeler  Modeling Nodes 文件”。

生成决策树模型

决策树节点设定完成后，点击主工具列的运行当前流前即可看到两个决策树模型的产生。

双击决策树模型则可看到模型结果，而我们最主要要观察的是模型标签及查看器标签下的内容。模型标签内容如图所示，左栏位使用文字树状展开，表现每一阶层的分类状况及目标变数的模式；右栏位则是整体模型预测变量的重要性比较。我们也将会根据变量重要性调整模型设定、变数选择，持续的训练出较佳的模型。查看器标签则是将一样的决策树结果用树状图的方式展现。

从上面的图中，我们可以看到决策树模型得到的预测变量，重要性，从这个图中我们可以看到，对顾客每次平均消费金额影响最大的是购物数量， 如果消费者每次购物的物品数量越多，那么他的平均消费金额会越大。其次是商品的打折力度，如果说，商品的打折力度越强，那么顾客的消费金额就越多，也就是说，商品的打折力度会刺激消费者的消费行为。然后是商品的id，因为不同的商品具有不同的价格，可以判断有些物品的价格如果越高，那么顾客的平均消费金额就会越多。其次是，购物日期商店名称以及消费者本人的信息。

从上面的图中,我们可以看到决策树模型的预测变量重要程度,形容对顾客消费金额影响最大的变量是顾客的收入,可能收入越高,每次消费金额就越大.其次是顾客的年龄,顾客的年龄越小，则平均的消费金额越大,说明年轻消费者的消费能力更强.然后是消费者的家庭情况,如果消费者有一个孩子,或者已经不是单身,那么他们的平均消费金额更大,因为他们的家庭支出会更多.但是消费者的婚姻状况,如果消费者不是单身，那么他们的消费金额会更加大.其次是消费者的居住情况,如果消费者是租房子,那么它的一部分支出会消费在房子的租金上，因此他的消费金额会较低.最后是家庭人数,我家庭人数越多，那么消费者的消费金额越多,因为他们的家庭开支更多,每次在购物消费的金额也就越多.

分析结果

在前面的串流产生中，我们加入了分区节点将数据分成训练数据与测试数据，因此在决策树模型产生后，可加入分析节点 。分析节点中我们勾选重合矩阵选项，因此除了分析节点原本就提供的正确错误率比较，可进一步了解实际值与预测值的比较矩阵 。

从上面的决策树误差结果来看，可以看到不同的分区上决策树模型的最小误差是相似的，而最大误差在测试机上更小，同时可以看到决策树模型的平均误差非常的小，可以认为该模型是一个较好的模型，具有较好的预测性和准确度。

因此从上面的结果来看，我们可以认为，决策树模型可以较好的拟合这个数据集，可以对未知的数据进行良好的预测。从业务的角度，我们可以对商店的销售提出一些建议：例如对一些商品进行打折而提高用客户的消费金额，另外由于消费者对一些商品的消费金额较大，因此可以调整摆放的位置，并且配合打折的信息从而提高消费者的消费金额。同时，由于不同的商品和不同的消费者的消费金额不同，因此我们可以针对消费金额较大的用户制定特定的营销策略，例如会员制度、定期发送销售海报邮件等等。

最后我们得到以下结果文件：