最准确的树是误分类成本最低的树。此树也称为最优树。
有时，误分类成本稍高的更简单树也比较准确。通常，树的终端节点越少，越能清晰地显示每个预测变量如何影响响应值。较小的树也更易于识别一些目标组，以便进一步研究。如果较小树的预测准确度差异可以忽略不计，则可以使用较小的树来评估响应变量与预测变量之间的关系。
单击 选择备择树 以打开图的交互式视图，其中包括模型汇总统计表。使用该图可调查性能相似的更小树。
解释
在本示例中，具有 4 个终端节点的树的标签为“最优”，因为创建树的标准是最小误分类成本在最小误分类成本 1 个标准误内的最小树。具有 4 个终端节点的树的误分类成本约为 0.415。具有 6 个终端节点的树的误分类成本略低，约为 0.397。具有 7 个终端节点的树的最小误分类成本约为 0.391。具有 4 个终端节点的初始树在用于 选择备择树 为不同的树创建结果时保持 “Optimal” 标签。
