決定木分析（Python CHAID）を解釈する

意思決定のために使用される決定木分析

Scikit-learnでの決定木にはCART（指標：giniまたはentropy）他が採用されています。
CARTは下記の2点を含め、さまざまな理由から使われていません。

1. 2分岐のみのため単純すぎる
2. 過学習させるアルゴリズムのため、小さすぎる区分が出現するので扱いにくい

コードは以下の通り非常に簡単です。

from sklearn import tree
clf = tree.DecisionTreeClassifier(max_depth=3)

（参考：scikit-learn で決定木分析 (CART 法)）

実務では各種BIでのCHAID（指標：カイ二乗値）が使われています。
利点としては、以下の2点が大きいです。

1. 多分岐
2. 過学習する前に学習を止める

Pythonには決定木（CHAID）の一般的なライブラリがないので、今回はライブラリCHAIDを紹介します。

概要

下記のツイートにまとめています。
まずはREADMEを読んでCHAIDをインストールしてください。
GraphvizとOrcaのインストールは項目Exporting the treeをご覧ください。

決定木（CHAID）で簡単な可視化をしてみた
コードでは「説明変数"てすとA"が何か」によって多分岐し、日本語での可視化が可能

使用にはCHAID本体およびgraphviz、orcaのインストールが必要（CHAIDとgraphvizはpip、orcaはconda）

README：https://t.co/NMPBcBHD33
コード：https://t.co/5nksTIHEVF pic.twitter.com/bV3ftkzgC7

— R（あいれい/おいす） (@R_farms) January 18, 2020

Graphvizインストールできない問題の対策

Windows10の場合、pipではなくcondaで入れるとうまく行きました。

conda install graphviz
conda install python-graphviz

Graphvizのbinとdot.exeまでの環境パスは通しました。

CHAIDテストコードにCSVを読み込ませる方法

下記コードで対応可能です。

df = pd.read_csv('sample.csv')

col_answer = 'flag_keizoku'
ndarr = df.drop(columns=col_answer).values
arr = df[col_answer].values

検証

CHAIDとBIツール（今回はSPSS）との差分を検証しました。

検証方法

実データから決定木を出力してみる。

説明変数

ある2週間（1-14日）にログインしたユーザーの総ログイン日数
*開始日を1日目としてカウント
*値＝1～14

目的変数

ユーザーごとの15-28日目の継続有無
*ログインしたかどうかで判別
*値＝0 or 1

結果概要

SPSSだとある程度グループ化されるのでしきい値の判断はしやすいが、CHAIDはグループ化されず数値が前後してしまうため解釈が難しい。
解釈のために使っているのに、解釈が難しいとは・・・使えないやんって話です。

結果詳細

SPSS

グループは7個できました。
[1], [2], [3-5], [6-8], [9-11], [12, 13], [14]

CHAID

グループは11個できました。
[1], [2], [3], [4], [5, 7], [6, 8], [9, 10], [11], [12], [13], [14]
*個体数nが描写されない問題。コードでの確認は可能ですが、可視化したグラフとしては使いにくい。

結果解釈

前の2週間のログイン日数が多いほど、次の2週間でいずれかの日にログインしている可能性が高い。

うん、そうだね・・・（当たり前）としか言えないのですが、どれくらいの日数ログインしていないと継続しにくいか？を知るには良い結果となります。

14日ログインしている人のうち、3.8%がログインしてないってまずくない？という感じで解釈していきます。

その他には、時系列で比較することで、継続率の効果検証を行うことができます。

仮説：継続を構成するユーザーのうち、どの層のユーザーの継続率が上がったのか？
→ 全体的に上がったのか？
→ 特定のユーザー層にのみ効果があったのか？
のように細かく調査することができます。

このCHAIDの何が問題か

決定木分析はあくまで、いい感じで区分を作り、その結果を解釈して施策に繋げるために行っているので、グループ化があまりに細かく、理解しにくいモノだと使えません。

SPSSに比べ、CHAIDのカイ二乗値は高いですが、適切なグループ化をしていないので、人が使うためには、このCHAIDはめちゃくちゃわかりにくい。

結局、意思決定のために分析をしているのに、読み取れない…のようなことが起こりえます。

そういった懸念点があっても、このCHAIDは無料ですので、コスト面を考えると使う価値はありますね。SPSSはライセンス料がかなーり高いので、個人で要因分析する分にはCHAIDで問題ないでしょう。