·1378 工程科学学报，第40卷，第11期 3F ‘neral *general *general 2 2 ■good 2 bad bad bad -1 2 -10 0 第一主成分 第一主成分 第一主成分 图10 CART决策树测试集主成分二维分类图.(a)n=7;(b)n=5:(c)n=8 Fig.10 2D classification of CART decision tree test set:(a)n=7;(b)n=5:(c)n=8 表6 训练后模型性能度量表 3.2.4最佳CART决策树结果及讨论 Table 6 Performance scale after training 图I1为最小叶节点数n为7时的CART决策 最小叶 测试集 测试集 树模型，模型得到了很大程度上的简化，工艺规则提 节点数 F1/% 召回率/% 准确率/% 取更加精细.图11中samples为该分划的总样本 5 78.5 91.6 84.5 数；value为性能评价分类的子样本数，如node1节 6 84.6 78.5 81.4 点中，value值为[26,31,2]，该值表示成形质量属于 7 92.8 78.5 85.1 “general”、“good”、“bad”的子样本数分别为26、31、 8 64.2 50.0 56.4 2:class表示该分划下最有可能出现的分类，如node 9 61.5 48.3 54.1 #1节点中，class=good,该区域为good的分类. CART决策树最终生成8条路径，这些路径可 模的最佳最小叶节点数为7. 产生8条对应的规则，如表7所示.其中规则4的 node#0 f≤254.8 Gini=0.6578 samples=100 value-=26.39.351 class=good True False node node #10 f≤215.6 Gini=0.5286 Gini=0.3141 samples=59 samples=41 value-[26.31,2] value=[0.8,33] class三rO0d class=bad node #2 node #5 node #12 4≤0.1025 h≤4.5 node #l hs55 ,ini=0.1049 Gini=0.414 Gini-0.4628 Gini=0.0644 samples=18 samples= sampless=4】 samples=30 value=f17.1,0] alue-[9.30.21 alue=0,7,4] class=good alue=[0,1.29 class=general class=good class=bad node #3 nwe异4 node #6 node#7 node #13 node #14 Gini=0.0 Gini=0.2449 Gimi=0.426 r85 samples=11 samples=13 Gini-0.1327 Gimi=0.142 Gini=0.0 samples=/ value=11,0,0] alue-6,1,01 value-[9.4,0 samples=28 samples=13 samples=17 value=[0.1.12] value-=[0.0,17 class=general class=general class=general value=[0,26.2] class=bad class=good class=bad node #8 node #9 Gini=0.0 Gini=0.32 samples=18 samples=10 values=0.18,01 vae=0.8.21 class=good class=good 图11CART决策树(n=7) Fig.11 CART decision tree (n =7)工程科学学报,第 40 卷,第 11 期 图 10 CART 决策树测试集主成分二维分类图. (a) n = 7; (b) n = 5; (c) n = 8 Fig. 10 2D classification of CART decision tree test set: (a) n = 7; (b) n = 5; (c) n = 8 表 6 训练后模型性能度量表 Table 6 Performance scale after training 最小叶 节点数 测试集 召回率/ % 测试集 准确率/ % F1 / % 5 78郾 5 91郾 6 84郾 5 6 84郾 6 78郾 5 81郾 4 7 92郾 8 78郾 5 85郾 1 8 64郾 2 50郾 0 56郾 4 9 61郾 5 48郾 3 54郾 1 图 11 CART 决策树(n = 7) Fig. 11 CART decision tree (n = 7) 模的最佳最小叶节点数为 7. 3郾 2郾 4 最佳 CART 决策树结果及讨论 图 11 为最小叶节点数 n 为 7 时的 CART 决策 树模型,模型得到了很大程度上的简化,工艺规则提 取更加精细. 图 11 中 samples 为该分划的总样本 数;value 为性能评价分类的子样本数,如 node #1 节 点中,value 值为[26,31,2],该值表示成形质量属于 “general冶、“good冶、“bad冶的子样本数分别为 26、31、 2;class 表示该分划下最有可能出现的分类,如 node #1 节点中,class = good,该区域为 good 的分类. CART 决策树最终生成 8 条路径,这些路径可 产生 8 条对应的规则,如表 7 所示. 其中规则 4 的 ·1378·