The arboretum procedure

56

The ARBORETUM Procedure

• RATIO, the ratio of V–IMPORTANCE to IMPORTANCE, or missing if

IMPORTANCE is less than 0.0001

The NSURROGATES variable is omitted unless surrogates are requested in the

MAXSURROGATES= option in the TRAIN statement.

The V–IMPORTANCE and RATIO variables are omitted unless the VALIDATA=

option appears in the ASSESS statement.

NODESTATS= Output Data Set

The NODESTATS= option in the SAVE statement specifies the output data set to

contain statistics for each node in the selected subtree. The ASSESS and SUBTREE

statements determine the subtree.

Each observation describes one node.

The

NODESTATS= data set contains the following variables:

• NODE, the id of the node

• PARENT, the id of the parent node, or missing if the node is the root

• BRANCH, an integer, beginning with 1, indicating which branch this node is

from the parent, or missing if the node is the root

• LEAF, an integer, beginning with 1, indicating the left-to-right position of the

leaf in the tree, or missing if the node is not a leaf

• NBRANCHES, the number of branches emanating from this node, or 0 for

leaf nodes

• DEPTH, the number of splits from the root node to this node

• TRAVERSAL, an integer indicating when this node appears in a depth-first,

left-to-right traversal

• LINKWIDTH, a suggested width for displaying the line from the parent to this

node

• LINKCOLOR, a suggested RGB color value for displaying the line from the

parent to this node

• NODETEXT, a character value of a node statistic

• ABOVETEXT, a character value pertaining to the definition of the branch to

this node

• BELOWTEXT, the name or label of the input variable used to split this node,

or blank

• N, the number of training observations

• NPRIORS, the number N adjusted for prior probabilities

• VN, the number of validation observations

• VNPRIORS, the number VN adjusted for prior probabilities

• –RASE–, the root average square error

• –VRASE–, the root average square error based on validation data

---

PATH= Output Data Set

57

• I–: D–: EL–: EP–: P–: U–: V–: variables output in the OUT= option in

the SCORE statement

The variables VN, VNPRIORS, and –VRASE– only occur if validation data is spec-

ified. The variables NPRIORS and VNPRIORS only occur for categorical targets.

The variables –RASE– and –VRASE– only occur for interval targets. The colon

in a name expression such as, I–: refers to all variables whose name begins with,

I–. The section

“Variable Names and Conditions for Their Creation”

on page 59

describes the variables output by the SCORE statement.

If no prior probabilities are specified in the DECISION statement, then N and

NPRIORS are equal. NPRIORS times P–namej equals the number of train-

ing observations with categorical target value j, adjusted for prior probabilities.

VNPRIORS times V–namej equals the number of validation observations with cat-

egory j, adjusted for prior probabilities.

The number of training observations with target value j, not adjusted for prior prob-

abilities, is

N

j

= N

P

namej

N

j

(root)/π

j

i

P

namei

N

i

(root)/π

i

where N

j

(root) is the number of observations in the root node with target value j,

and π

j

denotes the prior probability for j.

PATH= Output Data Set

The PATH= option in the SAVE statement specifies the output data set describing

the observations the tree assigns to a node. The description consists of a set of rela-

tionships between variables and values. Observations that satisfy all the relations are

assigned to the node.

The PATH= output data set describes the path to each leaf in the current subtree unless

the NODES= option specifies which nodes to describe.

The PATH= data set contains the following variables:

• NODE, the id of the node

• LEAF, the leaf number, if the node is a leaf

• VARNAME, the name of the variable

• VARIABLE, the variable label, or name if no label

• RELATION, a character variable containing the relation that an observation

value must have to be in the node

• CHARACTER–VALUE, the formatted value of the variable

• NUMERIC–VALUE, the numeric value of a numeric variable

---

58

The ARBORETUM Procedure

Each observation contains a single variable value, unless the relation is MISSING or

NOT MISSING. The relation MISSING indicates that missing values of the variable

are accepted in the node. The relation NOT MISSING indicates that missing values

of the variable are excluded from the node. If the relation is not MISSING or NOT

MISSING, than the contents of the observation depend on the level of measurement

of the variable.

For a nominal variable, CHARACTER–VALUE contains one formatted value of the

variable, RELATION is ‘=’, and NUMERIC–VALUE is missing.

For an interval or ordinal variable, the path determines a range of values in the node.

The upper end of the range may be infinite, or the lower end may be infinitely neg-

ative, but at least one end will be finite (otherwise RELATION would equal NOT

MISSING). The first observation contains the lower end of the range, and the second

contains the upper end. If an end is unbounded, CHARACTER–VALUE is blank and

NUMERIC–VALUE is missing for that observation. Otherwise, for an interval vari-

able, both CHARACTER–VALUE and NUMERIC–VALUE contain the end value,

and RELATION contains ‘>=’ or ‘<’.

For an ordinal variable, CHARACTER–VALUE contains the formatted value of an

end, and NUMERIC–VALUE is missing. RELATION is ‘>=’ or ‘<=’.

RULES= Output Data Set

The RULES= option in the SAVE statement specifies the output data set describing

the splitting rules in each node, including surrogate rules, unused competing rules,

and candidate rules in leaf nodes. The data set only contains nodes in the subtree

determined by the ASSESS or SUBTREE statement.

The RULES= data set contains the following variables:

• NODE, the id of the node

• ROLE, a character variable with four possible values: ‘PRIMARY’ for the

primary splitting rule, ‘COMPETITOR’ for a competing rule, ‘SURROGATE’

for a surrogate rule, and ‘CANDIDATE’ for a candidate splitting rule in a leaf

• RANK, the rank among other rules with the same role

• STAT, a character variable containing the name of the statistic in the

NUMERIC–VALUE or CHARACTER–VALUE variable.

• NUMERIC–VALUE, the numeric value of the statistic, if any

• CHARACTER–VALUE, the character value of the statistic, if any

A single rule is described using several observations. The STAT variable determines

what an observation describes. Table

8

summaries the possible values of STAT.

Table 8.

Statistics

STAT

NUMERIC–VALUE

CHARACTER–VALUE

VARIABLE

Variable name

---