让我一一评估您的每一个观察结果，以便更清楚：

这个决策树的因变量是信用评级，它有两个类别，坏或好。这棵树的根包含该数据集中的所有 2464 个观测值。

如果Good, Bad是你所说的信用评级，那么是的。你的结论是正确的，所有 2464 个观察值都包含在树的根中。

确定如何分类好或坏信用评级的最有影响的属性是收入水平属性。

值得商榷取决于您如何看待某事具有影响力。有些人可能会争辩说卡片的数量可能是最有影响力的，有些人可能会同意你的观点。所以，你在这里是对的，也是错的。

在我们的样本中，收入低于低收入的大多数人（553 人中的 454 人）的信用评级也很差。如果我要推出无限额的高级信用卡，我应该忽略这些人。

是的，但是如果您考虑从这些人那里获得不良信用的可能性也会更好。但是，即使这样，这门课也会被证明是“否”，这使您的观察再次正确。

如果我要使用此决策树进行预测以对新观察进行分类，是否将叶子中的最大类数用作预测？例如 Observation x 有中等收入，有 7 张信用卡和 34 岁。信用评级的预测分类 = “好”

取决于概率。因此，计算叶子的概率，然后根据它做出决定。或者更简单，使用像 Sklearn 的决策树分类器这样的库来为你做这件事。

另一个新的观察可能是观察 Y，它的收入低于低收入，因此他们的信用评级 =“坏”

同样，与上面的解释相同。

这是解释决策树的正确方法还是我完全错了？

是的，这是解释决策树的正确方法。在选择有影响的变量时，您可能很想动摇，但这取决于很多因素，包括问题陈述、树的构造、分析师的判断等。

是的，你的解释是正确的。树中的每个级别都与一个变量相关（决策树并非总是如此，您可以想象它们更通用）。

• X 有中等收入，所以你去节点 2，超过 7 张卡片，所以你去节点 5。现在，你已经到了一个叶子节点。您会看到，在您的数据集中，您有 54 个像 X 一样的人，您确定他们的评分为差（可能是一个人根据其他因素进行了此评分。而您有 336 个像 X 的人获得了良好的评分。所以，基于只有这个信息，你可以说 X 可能有一个很好的评级。所以，决策树给了你一个快速但近似的答案。

  • 旁白：这里的 54 对 336 给了你一定的信心。例如，您可以将其视为概率。你可以说$P(Good)=336/(54+336) \approx 0.86$，并且还以各种方式计算置信区间。

• Y 的收入很低，因此您可以立即查看树并转到节点 1，并说他的评级可能很差，$P(Bad)=454/(454+99) \approx 0.82$.

关于“最具影响力”属性的评论，这实际上取决于树的构建方式，以及您使用的“影响力”定义。因此，您必须询问制作树的人/软件/算法。从表格本身可以看出，这当然是一个重要的属性。