累积提升的计算过程取决于验证方法。对于多项式响应变量，Minitab 会显示多个图表，这些图表依次将每个类别视为事件。
训练数据集或无验证
对于训练数据集的图表，图表上的每个点都表示树中的一个终端节点。事件概率最高的终端节点是图表上的第一个点，显示在最左侧。其他终端节点按事件概率递减的顺序排列。
使用以下过程查找点的 x 坐标和 y 坐标。
- 计算每个终端节点的事件概率：
- n1,k 是第 k 个节点的事件类别中的案例数
- Nk 是第 k 个节点中的案例数
- 按事件概率从最高到最低的顺序对终端节点进行排序。
- 使用每个事件概率作为阈值。对于特定阈值，估计事件概率大于或等于阈值的案例将获得 1 作为预测类别，否则获得 0。然后，可以为所有案例形成一个 2x2 的表，以观测类别作为行，以预测类别作为列来计算每个终端节点的真阳率。
例如，假设下表汇总了一个具有 4 个终端节点的树：
A：终端节点 B：事件数 C：案例数 D：阈值 (B/C) 4 18 30 0.60 1 25 67 0.37 3 12 56 0.21 2 4 36 0.11 合计 59 189 以下是相应的四个表，它们各自的真阳率精确到小数点后 2 位：
表 : 1. 阈值 = 0.60. 真阳率 = 18 / 59 = 0.31 预测 事件 非事件 观测 事件 18 41 非事件 12 118 表 : 2. 阈值 = 0.37. 真阳率 = (18 + 25) / 59 = 0.73 预测 事件 非事件 观测 事件 43 16 非事件 54 76 表 : 3. 阈值 = 0.21. 真阳率 = (18 + 25 + 12) / 59 = 0.93 预测 事件 非事件 观测 事件 55 4 非事件 98 32 表 : 4. 阈值 = 0.11. 真阳率 = (18 + 25 + 12 + 4) / 59 = 1 预测 事件 非事件 观测 事件 59 0 非事件 130 0 - 从已排序的终端节点中，查找终端节点中总体的百分比：
- Nk 是第 k 个节点中的案例数
- N 是训练数据集中的案例数
- 从已排序的列表中，计算每个终端节点中数据的累积百分比。这些累积值是图表上的 x 坐标。
例如，如果预测概率最高的终端节点包含 0.16 的数据，而事件概率第二高的终端节点具有 0.35 的总体，则第一个终端节点数据的累积百分比为 0.16，第二个终端节点的总体累积百分比为 0.16 + 0.35 = 0.51。
- 要查找 y 坐标的累积提升，将真阳率除以总体的累积百分比：
下表显示了小树的计算示例。这些值精确到小数点后 2 位。
| A：终端节点 | B：事件数 | C：案例数 | D：排序事件概率 (B/C) | E：真阳率 | F：数据百分比（C/C 之和） | G：数据累积百分比，x 坐标 | H：累计提升 (E/G)，y 坐标 |
|---|---|---|---|---|---|---|---|
| 4 | 18 | 30 | 0.60 | 0.31 | 0.16 | 0.16 | 1.92 |
| 1 | 25 | 67 | 0.37 | 0.73 | 0.35 | 0.51 | 1.42 |
| 3 | 12 | 56 | 0.21 | 0.93 | 0.30 | 0.81 | 1.15 |
| 2 | 4 | 36 | 0.11 | 1 | 0.19 | 1.00 | 1 |
单独的检验数据集
使用与训练数据集案例相同的步骤，但从检验数据集的案例中计算事件概率。
使用 k 折叠交叉验证进行检验
使用 k 折叠交叉验证在累积提升图上定义 x 和 y 坐标的过程具有额外的步骤。此步骤会创建许多可区分事件概率。例如，假设树状图包含 4 个终端节点。我们有 10 折叠交叉验证。然后，对于第 i 个折叠，您使用数据的 9/10 部分来估算折叠 i 中的案例的事件概率。当针对每个折叠重复此过程时，可区分事件概率的最大数量为 4 ^10 = 40。之后，按递减顺序对所有可区分事件概率进行排序。使用事件概率作为每个阈值，为整个数据集中的案例分配预测类别。在此步骤之后，将应用训练数据集过程从 3 到结束的步骤来查找 x 和 y 坐标。
