因变量 交通方式 出行时间、出行目的、出行日期(工 作日、节假日)、出行者的年龄、性 自变量 别、职业、是否有公交卡、是否开 通公共自行车、家庭规模、儿童数、 是否有购车意恳 最大树深度 父节点中的最小个案数 子节点中的最小个案数 节点数 结果 终端节点数 通过CART算法测算,在输入的所有自变量中,出行目的、职业、年龄、是否开通公共 自行车、出行时间对短距离条件下出行方式的选择起主要作用,风险值和标准误差反映反映 模型的预测精度。风险值的计算方法是不正确分类的个案占总个案的比例,该模型风险值及 预测错误的概率为32.1%,标准误差为0.002。表明模型具有较好的预测精度。 (c)1994-2019ChinaAcademicJournalElectronicPublishingHouse.Allrightsreservedhttp://www.cnki.net项 因变量 交通方式 自变量 出行时间、出行目的、出行日期（工 作日、节假日）、出行者的年龄、性 别、职业、是否有公交卡、是否开 通公共自行车、家庭规模、儿童数、 是否有购车意愿 最大树深度 5 父节点中的最小个案数 100 子节点中的最小个案数 50 结果 节点数 5 终端节点数 27 深度 5 通过CART算法测算，在输入的所有自变量中，出行目的、职业、年龄、是否开通公共 自行车、出行时间对短距离条件下出行方式的选择起主要作用，风险值和标准误差反映反映 模型的预测精度。风险值的计算方法是不正确分类的个案占总个案的比例，该模型风险值及 预测错误的概率为32.1%，标准误差为0.002。表明模型具有较好的预测精度