chaidr detailed tutorial (Japanese)

SPSS 準拠の CHAID（Chi-squared Automatic Interaction Detection）決定木の R 実装。 base R のみで動作し、SPSS の既定挙動を再現しつつ、多重比較補正の拡張や partykit 連携などのオプションを備える。本書のコードは knit 時に毎回実行される。

英語の入門編は vignette("chaidr") を参照。

1. クイックスタート

base R 同梱の penguins（欠損値を自然に含む。R 4.5 以降に同梱）を使う。

library(chaidr)

data(penguins)
fit <- chaid(species ~ ., data = penguins,
             control = chaid_control(min_parent = 30, min_child = 10))
print(fit)
#> CHAID decision tree (method = "chaid")
#> Response: species (categorical) 
#> Valid cases: 344 (data: 344 rows) 
#> 
#> [1] root: Adelie (44.2%), n=344 | split: flipper_len (adj.p=2.48e-63, chi2=328.5, B=714)
#>   [2] flipper_len in {<= 190}: Adelie (84.8%), n=99 | split: bill_len (adj.p=2.92e-16, chi2=78.21, B=28)
#>     [3] bill_len in {<= 40.1}: Adelie (100.0%), n=70 *
#>     [4] bill_len in {(40.1, 41.8]}: Adelie (92.3%), n=13 *
#>     [5] bill_len in {(41.8, 47.3] | > 49.3}: Chinstrap (87.5%), n=16 *
#>   [6] flipper_len in {(190, 196]}: Adelie (67.2%), n=67 | split: bill_len (adj.p=1.66e-13, chi2=58.69, B=9)
#>     [7] bill_len in {<= 44.4}: Adelie (100.0%), n=43 *
#>     [8] bill_len in {> 44.4}: Chinstrap (91.7%), n=24 *
#>   [9] flipper_len in {(196, 202]}: Chinstrap (52.6%), n=38 | split: bill_len (adj.p=2.31e-07, chi2=30.78, B=8)
#>     [10] bill_len in {<= 45.9}: Adelie (90.0%), n=20 *
#>     [11] bill_len in {> 47.3}: Chinstrap (100.0%), n=18 *
#>   [12] flipper_len in {(202, 214] | <NA>}: Gentoo (73.8%), n=61 | split: bill_dep (adj.p=9.69e-12, chi2=56.14, B=15)
#>     [13] bill_dep in {<= 16.7}: Gentoo (100.0%), n=44 *
#>     [14] bill_dep in {> 17.8 | <NA>}: Chinstrap (64.7%), n=17 *
#>   [15] flipper_len in {> 214}: Gentoo (100.0%), n=79 *

連続変数 flipper_len が自動で10分位ビンに離散化され、類似ビンが統合されて 多岐分岐の木になっている。* は末端ノード。<NA> を含むグループは、 欠損値が Floating カテゴリとして最も類似したビンへ自動統合されたことを示す（§4.4）。

同じ木は plot() で可視化できる（ノード内の帯はクラス分布。詳細は §5.1）。

plot(fit, main = "CHAID: penguins (species)")

予測は S3 の predict で行う。

pred <- predict(fit, penguins)                    # クラス予測（factor）
mean(pred == penguins$species)                    # 訓練データ精度
#> [1] 0.9622093
round(predict(fit, head(penguins, 3), type = "prob"), 3)  # クラス確率
#>      Adelie Chinstrap Gentoo
#> [1,]      1         0      0
#> [2,]      1         0      0
#> [3,]      1         0      0

summary() は木に加えて設定と停止理由の内訳を表示する。

summary(fit)
#> CHAID decision tree (method = "chaid")
#> Response: species (categorical) 
#> Valid cases: 344 (data: 344 rows) 
#> 
#> [1] root: Adelie (44.2%), n=344 | split: flipper_len (adj.p=2.48e-63, chi2=328.5, B=714)
#>   [2] flipper_len in {<= 190}: Adelie (84.8%), n=99 | split: bill_len (adj.p=2.92e-16, chi2=78.21, B=28)
#>     [3] bill_len in {<= 40.1}: Adelie (100.0%), n=70 *
#>     [4] bill_len in {(40.1, 41.8]}: Adelie (92.3%), n=13 *
#>     [5] bill_len in {(41.8, 47.3] | > 49.3}: Chinstrap (87.5%), n=16 *
#>   [6] flipper_len in {(190, 196]}: Adelie (67.2%), n=67 | split: bill_len (adj.p=1.66e-13, chi2=58.69, B=9)
#>     [7] bill_len in {<= 44.4}: Adelie (100.0%), n=43 *
#>     [8] bill_len in {> 44.4}: Chinstrap (91.7%), n=24 *
#>   [9] flipper_len in {(196, 202]}: Chinstrap (52.6%), n=38 | split: bill_len (adj.p=2.31e-07, chi2=30.78, B=8)
#>     [10] bill_len in {<= 45.9}: Adelie (90.0%), n=20 *
#>     [11] bill_len in {> 47.3}: Chinstrap (100.0%), n=18 *
#>   [12] flipper_len in {(202, 214] | <NA>}: Gentoo (73.8%), n=61 | split: bill_dep (adj.p=9.69e-12, chi2=56.14, B=15)
#>     [13] bill_dep in {<= 16.7}: Gentoo (100.0%), n=44 *
#>     [14] bill_dep in {> 17.8 | <NA>}: Chinstrap (64.7%), n=17 *
#>   [15] flipper_len in {> 214}: Gentoo (100.0%), n=79 *
#> 
#> Settings: alpha_merge=0.05, alpha_split=0.05, bonferroni=TRUE, adjust_across=none, max_depth=3, min_parent=30, min_child=10, n_bins=10
#> 
#> Risk estimate (training data): 0.0378 (misclassification rate) 
#> 
#> Terminal nodes: 10 
#> Stopping reasons:
#>   min_parent: 5
#>   pure: 5

2. アルゴリズムの概要

CHAID は各ノードで結合 → 分割 → 停止判定を繰り返す。数式・手順は IBM SPSS Statistics Algorithms（TREE-CHAID）に準拠。

前処理（連続予測変数の離散化）: 木構築前に重み付き累積相対周波数で最大10分位ビン （n_bins）へ離散化し、以後は順序カテゴリとして扱う。同一値への度数集中（>1/k）や ユニーク値不足があるとビン数は自動縮小する。

結合（Merging）: 目的変数との関連が薄いカテゴリ同士を統合する。

検定は目的変数の型で自動選択される。

目的変数 検定 統計量・自由度
factor（名義） Pearson χ²（既定）または尤度比 G² χ², (r−1)(c−1)
ordered（順序） Goodman row effects model の尤度比検定 H², I−1（§4.9）
numeric（連続） 一元配置 ANOVA F F, (I−1, N_f−I)

分割と Bonferroni 調整: Adjusted p = min(1, B × p) が最小の変数で分割 （alpha_split 超なら末端化）。乗数 B:

予測変数型 標準 CHAID Exhaustive CHAID
順序型 C(I−1, r−1) I(I−1)/2
名義型 第2種スターリング数 S(I, r) I(I²−1)/2（spss）/ I(I²−1)/6（biggs）
順序＋欠損（Floating） C(I−2, r−2) + r·C(I−2, r−1) I(I−1)/2

停止規則: 純粋ノード / 全予測変数一定 / max_depth / min_parent / p 値非有意。分割成立後、min_child 未満の子は最類似の子へ統合。

3. API リファレンス

3.1 chaid(formula, data, weights, freq, method, control)

引数 説明
formula 目的変数 ~ 予測変数 形式。. 可
data データフレーム
weights ケース重み（期待度数の推定に反映。欠損/0/負のケースは除外）
freq 頻度重み（観測度数・自由度・ノードサイズを決める。整数へ丸め）
method "chaid"（既定）または "exhaustive"
control chaid_control() の返り値
costs 誤分類コスト行列 C[truth, pred]（§4.8）
y_scores 順序型目的変数のクラススコア（§4.9）

予測変数の型と扱い:

型 扱い 欠損値
numeric 自動ビン分割 → 順序型 Floating カテゴリ
ordered 順序型（隣接のみ結合可） Floating カテゴリ
factor 名義型（全ペア結合可） 通常カテゴリ <NA>

3.2 chaid_control() — 全パラメータ

既定値は SPSS UI の既定に一致する。

パラメータ 既定 説明
alpha_merge 0.05 結合の閾値。ペア p 値がこれを超えると統合
alpha_split 0.05 分割の閾値。調整済み p 値がこれ以下なら分割
alpha_split_merge 0.05 resplit 用の閾値
resplit FALSE 複合カテゴリの再分割（SPSS 既定オフ）
bonferroni TRUE Bonferroni 調整の有無
stat “pearson” χ² の種類（“pearson” / “lr”）
exhaustive_adjust “spss” Exhaustive の名義型乗数（“spss” / “biggs”）
max_depth 3 最大深さ
min_parent 100 分割対象ノードの最小ケース数（頻度重み基準）
min_child 50 子ノードの最小ケース数
min_segment NULL 結合フェーズの小カテゴリ吸収閾値（任意）
n_bins 10 連続変数の目標ビン数
epsilon, max_iter 1e-3, 100 重み付き期待度数（IPF）の収束条件
adjust_across “none” 予測変数間の多重比較補正（§4.5）

3.3 S3 メソッド

print(fit); summary(fit)
predict(fit, newdata, type = "response")   # 予測値（factor / numeric）
predict(fit, newdata, type = "prob")       # クラス確率（分類木のみ）
predict(fit, newdata, type = "node")       # 末端ノード id
plot(fit)                                  # base graphics の木プロット

chaid_table(fit, target = NULL)            # ノード要約テーブル（§4.7）
chaid_rules(fit, format = "text|sql|r")    # ルール抽出（§4.7）
chaid_importance(fit)                      # 変数重要度（§4.7）
chaid_gains(fit, target = ...)             # ゲイン・リフト表 + plot（§4.7）
chaid_validate(fit, newdata)               # 安定性評価（§4.7）

予測時の未知データ: 学習時に無い因子水準は最大ノードの子へ（警告つき）、 範囲外の数値は端のビンへ、欠損は <NA> カテゴリを含むグループへ。

4. 応用機能

4.1 標準 CHAID と Exhaustive CHAID の比較

機構の違い

両者が異なるのは結合フェーズの打ち切り方だけで、分割・停止の枠組みは共通。

標準 CHAID（Kass 1980）は貪欲法で早期停止する。許容ペアの中で最も似ている （p 値が最大の）ペアを探し、その p 値が alpha_merge を超えている間だけ統合を繰り返す。 全ペアが有意になった時点で止まる。1本道を進むので速いが、途中の統合が最適でなかった 場合に取り返せない（局所解）。

Exhaustive CHAID（Biggs et al. 1991）は alpha_merge を無視し、 カテゴリ数が2になるまで統合を続ける。初期構成から2グループまでの全履歴を保存し、 その中で未調整 p 値が最小の構成を事後的に選ぶため、局所解を回避できる。

重要な精密化として、構成の選択に Bonferroni 乗数 B は使われない。標準は alpha_merge との比較で、Exhaustive は未調整 p 値の最小化で構成を決める。 B が効くのはその後の「どの予測変数で分割するか」の競争と alpha_split の判定であり、 ここに両者の重要な差が現れる（後述）。

実例1: Titanic — Exhaustive が細かい構造を見つける

女性側の Class 分割に注目 — 標準は3分岐で止まるが、Exhaustive は最有意の2分岐を選び その下でさらに分割する。

tit <- as.data.frame(Titanic)
fit_std <- chaid(Survived ~ Class + Sex + Age, data = tit, freq = tit$Freq)
print(fit_std)
#> CHAID decision tree (method = "chaid")
#> Response: Survived (categorical) 
#> Valid cases: 2201 (data: 24 rows, dropped: 8 rows) 
#> 
#> [1] root: No (67.7%), n=2201 | split: Sex (adj.p=2.3e-101, chi2=456.9, B=1)
#>   [2] Sex in {Male}: No (78.8%), n=1731 | split: Age (adj.p=1.52e-06, chi2=23.12, B=1)
#>     [3] Age in {Child}: No (54.7%), n=64 *
#>     [4] Age in {Adult}: No (79.7%), n=1667 | split: Class (adj.p=2.84e-08, chi2=37.99, B=1)
#>       [5] Class in {1st}: No (67.4%), n=175 *
#>       [6] Class in {2nd}: No (91.7%), n=168 *
#>       [7] Class in {3rd}: No (83.8%), n=462 *
#>       [8] Class in {Crew}: No (77.7%), n=862 *
#>   [9] Sex in {Female}: Yes (73.2%), n=470 | split: Class (adj.p=2.51e-28, chi2=130.7, B=6)
#>     [10] Class in {1st}: Yes (97.2%), n=145 *
#>     [11] Class in {2nd, Crew}: Yes (87.6%), n=129 *
#>     [12] Class in {3rd}: No (54.1%), n=196 *
fit_ex <- chaid(Survived ~ Class + Sex + Age, data = tit, freq = tit$Freq,
                method = "exhaustive")
print(fit_ex)
#> CHAID decision tree (method = "exhaustive")
#> Response: Survived (categorical) 
#> Valid cases: 2201 (data: 24 rows, dropped: 8 rows) 
#> 
#> [1] root: No (67.7%), n=2201 | split: Sex (adj.p=6.91e-101, chi2=456.9, B=3)
#>   [2] Sex in {Male}: No (78.8%), n=1731 | split: Age (adj.p=4.55e-06, chi2=23.12, B=3)
#>     [3] Age in {Child}: No (54.7%), n=64 *
#>     [4] Age in {Adult}: No (79.7%), n=1667 | split: Class (adj.p=8.53e-07, chi2=37.99, B=30)
#>       [5] Class in {1st}: No (67.4%), n=175 *
#>       [6] Class in {2nd}: No (91.7%), n=168 *
#>       [7] Class in {3rd}: No (83.8%), n=462 *
#>       [8] Class in {Crew}: No (77.7%), n=862 *
#>   [9] Sex in {Female}: Yes (73.2%), n=470 | split: Class (adj.p=4.44e-28, chi2=127.4, B=30)
#>     [10] Class in {1st, 2nd, Crew}: Yes (92.7%), n=274 | split: Class (adj.p=0.0263, chi2=9.384, B=12)
#>       [11] Class in {1st}: Yes (97.2%), n=145 *
#>       [12] Class in {2nd, Crew}: Yes (87.6%), n=129 *
#>     [13] Class in {3rd}: No (54.1%), n=196 *

実例2: penguins — Exhaustive が簡潔な構造を選ぶ

penguins（連続予測変数がビン化される場合）では逆の方向に差が出る。 標準 CHAID の木（§1）はルートが5分岐だが、Exhaustive は全結合履歴から より大きく統合した構成を選び、同じ精度のままルート4分岐の簡潔な木になる。

fit_p_ex <- chaid(species ~ ., data = penguins, method = "exhaustive",
                  control = chaid_control(min_parent = 30, min_child = 10))
print(fit_p_ex)
#> CHAID decision tree (method = "exhaustive")
#> Response: species (categorical) 
#> Valid cases: 344 (data: 344 rows) 
#> 
#> [1] root: Adelie (44.2%), n=344 | split: flipper_len (adj.p=1.08e-64, chi2=321.6, B=55)
#>   [2] flipper_len in {<= 190}: Adelie (84.8%), n=99 | split: bill_len (adj.p=4.31e-17, chi2=77.7, B=36)
#>     [3] bill_len in {<= 41.8}: Adelie (98.8%), n=83 *
#>     [4] bill_len in {(41.8, 47.3] | > 49.3}: Chinstrap (87.5%), n=16 *
#>   [5] flipper_len in {(190, 202]}: Adelie (60.0%), n=105 | split: bill_len (adj.p=1.56e-19, chi2=89.25, B=45)
#>     [6] bill_len in {<= 44.4}: Adelie (98.4%), n=61 *
#>     [7] bill_len in {> 44.4}: Chinstrap (93.2%), n=44 *
#>   [8] flipper_len in {(202, 214] | <NA>}: Gentoo (73.8%), n=61 | split: bill_dep (adj.p=2.33e-11, chi2=56.14, B=36)
#>     [9] bill_dep in {<= 16.7}: Gentoo (100.0%), n=44 *
#>     [10] bill_dep in {> 17.8 | <NA>}: Chinstrap (64.7%), n=17 *
#>   [11] flipper_len in {> 214}: Gentoo (100.0%), n=79 *
cat("精度: 標準 =", round(mean(predict(fit, penguins) == penguins$species), 3),
    "/ Exhaustive =", round(mean(predict(fit_p_ex, penguins) == penguins$species), 3), "\n")
#> 精度: 標準 = 0.962 / Exhaustive = 0.962

標準 CHAID で分かれていた (190, 196] と (196, 202] のビンが統合され、 その下の bill_len 分割も二分に簡潔化されている。まとめると:

  • Titanic: Exhaustive が標準より細かい構造を発見（貪欲法が見落とした最適統合の下で追加分割）
  • penguins: Exhaustive が標準より簡潔な構造を選択（p 値最小の構成がより大きな統合だった）

どちらに転ぶかはデータ依存で、共通するのは「全結合履歴の中で最も有意な構成を選ぶ」という性質だけである。 構造の違いは並べて描くと一目瞭然になる。

par(mfrow = c(2, 1))
plot(fit,      main = "Standard CHAID (5-way root split, 10 terminal nodes)")
plot(fit_p_ex, main = "Exhaustive CHAID (4-way root split, 7 terminal nodes, same accuracy)")

なぜ結果が変わるのか — Bonferroni 乗数 B の構造差

上の実例で B=6 → B=30、B=714 → B=55 と乗数が大きく動いていることに注目したい。 これは偶然ではなく、両者の補正乗数がまったく違う形をしていることの表れである。 標準 CHAID の B は結合後グループ数 r に依存してU 字を描くが、 Exhaustive の B は r に依存せず一定。乗数は内部関数 bonferroni_multiplier() で確認できる（未エクスポートのため ::: で参照）。

# 順序型 I=10（連続変数の10分位ビン相当）
for (r in c(2, 3, 5, 7, 10)) {
  cat(sprintf("r=%-3d 標準=%-5g Exhaustive=%g\n", r,
              chaidr:::bonferroni_multiplier(10, r, "ordinal", "chaid"),
              chaidr:::bonferroni_multiplier(10, r, "ordinal", "exhaustive")))
}
#> r=2   標準=9     Exhaustive=45
#> r=3   標準=36    Exhaustive=45
#> r=5   標準=126   Exhaustive=45
#> r=7   標準=84    Exhaustive=45
#> r=10  標準=1     Exhaustive=45

この形の違いから、次の帰結が出る。

  • 細かい分割（中間の r）では Exhaustive の方が罰が軽い — r=5 なら 126 対 45
  • 粗い分割（r=2）や無統合（r=I）では Exhaustive の方が罰が重い — r=2 なら 9 対 45。 特に標準にある「統合しなければ B=1」という特典が Exhaustive には存在しない
  • 名義型ではこの差がさらに拡大する:
# 名義型 I=8（job のような高カーディナリティ変数）
for (r in c(2, 4, 6, 8)) {
  cat(sprintf("r=%-3d 標準=%-6g Exhaustive=%g\n", r,
              chaidr:::bonferroni_multiplier(8, r, "nominal", "chaid"),
              chaidr:::bonferroni_multiplier(8, r, "nominal", "exhaustive")))
}
#> r=2   標準=127    Exhaustive=252
#> r=4   標準=1701   Exhaustive=252
#> r=6   標準=266    Exhaustive=252
#> r=8   標準=1      Exhaustive=252

実例の数値がこれで説明できる。

実例 標準 CHAID Exhaustive
Titanic ノード9（Class, 名義 I=4） r=3 → B=6（= S(4,3)） r=2 → B=30（= 4·15/2）。5倍の罰
penguins ルート（flipper_len, 浮動 I=11） r=5 → B=714 r=4 → B=55。13分の1の罰

penguins のルートでは、Exhaustive が選んだ構成は未調整 p 値も小さく （1.96e-66 < 3.48e-66）、乗数も13分の1という二重の有利さがあった。 逆に Titanic では Exhaustive が5倍の罰を払ってなお有意だったため、より粗い 2分岐が採用され、その下に追加の分割が生まれた。

計算コストの実測

環境依存の数値なので固定値で掲載する（測定環境: R 4.6.1 / Windows 11）。

データ 標準 Exhaustive 倍率 木の違い
diamonds 53,940 × 4 2.4 秒 5.4 秒 2.3× 同一（17ノード・R²=0.768 とも一致）
Bank Marketing 41,188 × 19 28.4 秒 35.6 秒 1.25× 同一（29ノード・ゲイン表も一致）
32水準の名義変数1本 n=6,000 8.2 秒 8.6 秒 1.1× 同一
penguins 344 × 7 即時 即時 — 異なる（Exhaustive が簡潔化）
Titanic 2,201 × 3 即時 即時 — 異なる（Exhaustive が細分化）

「Exhaustive は計算コストが大幅に増える」という一般的な説明は、本実装では 再現しなかった。 32 水準の名義変数でも 1.1 倍にとどまる。

理由は、標準 CHAID の早期停止がノイズのあるデータではほとんど効かないこと。 早期停止するには「全ペアが有意」になる必要があるが、実データでこれが成り立つのは稀で、 標準も結局ほぼ2グループまで統合する。結果として計算量は Exhaustive に近づく。 逆に標準が明確に速いのは信号が非常に強いときだけで、そのケースでは そもそも両者が同じ木を出す（上表で diamonds の 2.3 倍が最大なのはこの理由）。

したがって計算コストは方式選択の主要な基準にならない。 判断の根拠は 次に述べる統計的な副作用である。

Exhaustive の副作用: 高カーディナリティ変数への偏り

実用上の問題はコストではなく、Bonferroni 乗数の再配分にある。 20 水準の名義変数で乗数を比べると差は極端になる。

for (r in c(2, 10, 20)) {
  cat(sprintf("r=%-3d 標準=%-13g Exhaustive=%g\n", r,
              chaidr:::bonferroni_multiplier(20, r, "nominal", "chaid"),
              chaidr:::bonferroni_multiplier(20, r, "nominal", "exhaustive")))
}
#> r=2   標準=524287        Exhaustive=3990
#> r=10  標準=5.91758e+12   Exhaustive=3990
#> r=20  標準=1             Exhaustive=3990

高カーディナリティ変数に対して Exhaustive の罰は9桁軽い。多重比較の防御が 実質的に外れることになる。これが偽陽性として観測されるかを確かめる。 「4水準・弱い真の効果を持つ変数」と「20水準・効果ゼロの純粋なノイズ変数」を 競わせた 80 回試行（実行に数分かかるため結果は固定掲載）:

set.seed(2024)
R <- 80; n <- 800
ctl <- chaid_control(min_parent = 100, min_child = 40, max_depth = 1)
for (m in c("chaid", "exhaustive")) {
  cnt <- c(none = 0, sig = 0, noise = 0)
  for (i in seq_len(R)) {
    xs <- factor(sample(4, n, TRUE))     # 4水準・弱い真の効果
    xn <- factor(sample(20, n, TRUE))    # 20水準・純粋なノイズ
    p <- 0.5 + 0.07 * (as.integer(xs) - 2.5) / 1.5
    y <- factor(rbinom(n, 1, p), levels = 0:1)
    s <- chaid(y ~ ., data = data.frame(y = y, x_sig = xs, x_noise = xn),
               control = ctl, method = m)$nodes[[1]]$split
    k <- if (is.null(s)) "none" else if (s$var == "x_sig") "sig" else "noise"
    cnt[k] <- cnt[k] + 1
  }
  print(cnt)
}
方式 分割なし x_sig（真の効果） x_noise（偽陽性）
標準 20 60 0（0.0%）
Exhaustive 34 41 5（6.2%）

Exhaustive は二重に損をしている。

  • ノイズ変数を 6.2% の頻度で分割に選ぶ（標準は 0%）
  • 真の変数の検出力も落ちる（60 → 41 回）。4水準変数に対しては Exhaustive の乗数の方が重いため（r=2 で 7 対 30）

つまりこれは「Exhaustive の方が優秀だが遅い」という関係ではなく、 罰則の再配分である。高カーディナリティ変数に有利・低カーディナリティ変数に 不利な方向へ偏る。

adjust_across（§4.5）による変数間補正では解決しない（holm で 6.2% → 3.8% に 下がるが、検出力が 41 → 34 に低下する）。不均衡は変数内の乗数にあり、 変数間の補正では埋められないためである。

重要な例外: 連続予測変数はビン化によって I が n_bins に揃うため、 この偏りは生じない。penguins や diamonds で Exhaustive が無害だったのはこの理由。

使い分け指針

判断基準はデータ規模ではなく、予測変数のカーディナリティの均一性。

状況 推奨 理由
予測変数が連続中心（ビン化で I が n_bins に揃う） Exhaustive でよい 乗数の偏りが生じない。コスト差も数秒
名義変数の水準数が揃っていて少ない（〜6程度） Exhaustive でよい 乗数差が小さい（I=6, r=3 で 90 対 105）
10水準超の名義変数が混在 標準 Exhaustive が高カーディナリティ変数を過小に罰し、偽陽性を招く
SPSS の出力と数値照合したい 元の設定に合わせる —

補足:

  • 上表のとおり Exhaustive を常用する選択は十分ありうる。避けるべきなのは 「水準数がばらついた名義変数を多数含むデータ」に限られる
  • Exhaustive を使うときは min_parent / min_child を厳格に設定して過適合を抑える （標準の早期停止という安全弁が外れるため）
  • Exhaustive の名義型乗数には出典間で不一致があり exhaustive_adjust で 切り替えられる（§3.2 / §6）。既定は SPSS 準拠の "spss"。"biggs" は さらに軽い（I=20 で 3,990 → 1,330）ため、上記の偏りは強まる

4.2 連続目的変数（回帰木）

実データの例として ggplot2::diamonds（53,940行）で価格を予測する。 cut / color / clarity は順序 factor なので、順序型の「隣接カテゴリのみ結合可」 という制約が実データでどう働くかも確認できる。

data(diamonds, package = "ggplot2")   # データ取得のみ ggplot2 を利用
fit_d <- chaid(price ~ carat + cut + color + clarity, data = as.data.frame(diamonds),
               control = chaid_control(min_parent = 8000, min_child = 3000,
                                       max_depth = 2, n_bins = 5))
print(fit_d)
#> CHAID decision tree (method = "chaid")
#> Response: price (continuous) 
#> Valid cases: 53940 (data: 53940 rows) 
#> 
#> [1] root: mean=3933, sd=3989, n=53940 | split: carat (adj.p=0, F=3.96e+04, B=1)
#>   [2] carat in {<= 0.34}: mean=688.3, sd=184.5, n=10391 | split: clarity (adj.p=1.45e-253, F=1228, B=7)
#>     [3] clarity in {I1, SI2, SI1, VS2}: mean=620.7, sd=153, n=4582 *
#>     [4] clarity in {VS1, VVS2, VVS1, IF}: mean=741.5, sd=189.7, n=5809 *
#>   [5] carat in {(0.34, 0.52]}: mean=1138, sd=416.8, n=10485 | split: clarity (adj.p=6.51e-263, F=1276, B=7)
#>     [6] clarity in {I1, SI2, SI1}: mean=937, sd=292.5, n=3341 *
#>     [7] clarity in {VS2, VS1, VVS2, VVS1, IF}: mean=1232, sd=432.8, n=7144 *
#>   [8] carat in {(0.52, 0.89]}: mean=2397, sd=741.7, n=11241 | split: clarity (adj.p=1.73e-221, F=1060, B=7)
#>     [9] clarity in {I1, SI2, SI1, VS2}: mean=2247, sd=661.2, n=7624 *
#>     [10] clarity in {VS1, VVS2, VVS1, IF}: mean=2713, sd=800.6, n=3617 *
#>   [11] carat in {(0.89, 1.12]}: mean=5193, sd=1793, n=10890 | split: clarity (adj.p=0, F=3147, B=21)
#>     [12] clarity in {I1, SI2}: mean=3967, sd=716.9, n=3250 *
#>     [13] clarity in {SI1}: mean=4692, sd=788.6, n=3233 *
#>     [14] clarity in {VS2, VS1, VVS2, VVS1, IF}: mean=6465, sd=2049, n=4407 *
#>   [15] carat in {> 1.12}: mean=1.002e+04, sd=3998, n=10933 | split: clarity (adj.p=3.47e-72, F=331.7, B=7)
#>     [16] clarity in {I1, SI2, SI1}: mean=9424, sd=4193, n=6220 *
#>     [17] clarity in {VS2, VS1, VVS2, VVS1, IF}: mean=1.081e+04, sd=3575, n=4713 *
pr <- predict(fit_d, as.data.frame(diamonds))
cat("R2 =", round(1 - sum((diamonds$price - pr)^2) /
                    sum((diamonds$price - mean(diamonds$price))^2), 3), "\n")
#> R2 = 0.768

読みどころ:

回帰木の plot() はノードに平均・標準偏差を表示する。カラット帯（左→右）に 沿って平均価格が単調に上がり、各帯の中で clarity が価格を層別する構造が見える。

plot(fit_d, main = "CHAID regression tree: diamonds (price)", cex = 0.75)

非線形（U字型）関係の1階層検出

U字型関係は二分木では複数階層が必要だが、CHAID は多岐分岐で1階層で捉える。

set.seed(1)
n <- 1000
age <- runif(n, 20, 80)
cost <- ((age - 50) / 30)^2 * 40 + rnorm(n, sd = 3)
fit_u <- chaid(cost ~ age, data = data.frame(cost, age),
               control = chaid_control(max_depth = 1))
print(fit_u)
#> CHAID decision tree (method = "chaid")
#> Response: cost (continuous) 
#> Valid cases: 1000 (data: 1000 rows) 
#> 
#> [1] root: mean=13.22, sd=12.28, n=1000 | split: age (adj.p=0, F=1028, B=9)
#>   [2] age in {<= 26.3}: mean=31.58, sd=5.283, n=100 *
#>   [3] age in {(26.3, 31.97]}: mean=19.31, sd=4.39, n=100 *
#>   [4] age in {(31.97, 38.71]}: mean=9.703, sd=3.98, n=100 *
#>   [5] age in {(38.71, 43.86]}: mean=3.449, sd=3.435, n=100 *
#>   [6] age in {(43.86, 55.74]}: mean=0.9864, sd=3.14, n=200 *
#>   [7] age in {(55.74, 62.35]}: mean=2.918, sd=3.162, n=100 *
#>   [8] age in {(62.35, 67.81]}: mean=9.661, sd=3.662, n=100 *
#>   [9] age in {(67.81, 74.6]}: mean=20.7, sd=4.516, n=100 *
#>   [10] age in {> 74.6}: mean=32.91, sd=5.009, n=100 *

平均値がU字を描き、谷の類似ビンだけが統合されている。可視化すると 末端ノードの平均がそのままU字になる。

plot(fit_u, main = "U-shaped relation captured in one level (node means trace the U)")

4.3 重み

# 頻度重み: 個票展開したデータと完全に同一の木になる（恒等性の確認）
tit_exp <- tit[rep(seq_len(nrow(tit)), tit$Freq), c("Class", "Sex", "Age", "Survived")]
fit_exp <- chaid(Survived ~ Class + Sex + Age, data = tit_exp)
sig <- function(f) lapply(f$nodes, function(nd) {
  list(nd$parent, nd$Nf, if (is.null(nd$split)) NULL else nd$split$groups)
})
identical(sig(fit_std), sig(fit_exp))
#> [1] TRUE

ケース重み weights は標本設計の重みで、χ² の期待度数を 反復比例フィッティング（IPF）で推定する形に反映される（IBM 仕様）。

4.4 欠損値（Floating カテゴリ）

penguins の自然な欠損で確認する。順序型（ビン化 numeric 含む）の欠損は Floating カテゴリとして「最類似グループへの統合 vs 独立」を p 値で自動選択、 名義型の欠損は通常カテゴリ <NA> になる。

fit_na <- chaid(species ~ bill_len + sex, data = penguins,
                control = chaid_control(min_parent = 30, min_child = 10))
print(fit_na)
#> CHAID decision tree (method = "chaid")
#> Response: species (categorical) 
#> Valid cases: 342 (data: 342 rows, dropped: 2 rows) 
#> 
#> [1] root: Adelie (44.2%), n=342 | split: bill_len (adj.p=2.31e-59, chi2=306.3, B=126)
#>   [2] bill_len in {<= 40.1}: Adelie (100.0%), n=101 *
#>   [3] bill_len in {(40.1, 41.8]}: Adelie (91.4%), n=35 *
#>   [4] bill_len in {(41.8, 44.4]}: Adelie (42.9%), n=35 | split: sex (adj.p=3.4e-06, chi2=27.38, B=3)
#>     [5] sex in {female}: Gentoo (70.0%), n=20 *
#>     [6] sex in {male, <NA>}: Adelie (93.3%), n=15 *
#>   [7] bill_len in {(44.4, 50.7]}: Gentoo (68.1%), n=135 *
#>   [8] bill_len in {> 50.7}: Chinstrap (61.1%), n=36 *

sex in {male, <NA>} が名義型の統合例。§1 の木の flipper_len in {(202, 214] | <NA>} が順序型 Floating の統合例。

注意: 「全予測変数が欠損」のケースは学習から除外される（IBM 仕様。上の「除外 2 行」）。 予測変数が1本だけのモデルでは NA ケースがすべて除外されるため、 Floating を使うには予測変数を2本以上入れること。

4.5 予測変数間の多重比較補正（adjust_across）

SPSS は分割変数選択を無補正で行うため、予測変数が多いと偽分割が起きやすい。 adjust_across はノード内の p 値ベクトルに stats::p.adjust を適用して分割判定する拡張。

set.seed(11)
n <- 300
d <- data.frame(y = factor(sample(c("A", "B"), n, TRUE)))
d$signal <- factor(ifelse(runif(n) < ifelse(d$y == "A", 0.62, 0.45), "hi", "lo"))
for (i in 1:19) d[[paste0("nz", i)]] <- factor(sample(letters[1:4], n, TRUE))
for (m in c("none", "BH", "holm")) {
  f <- chaid(y ~ ., data = d,
             control = chaid_control(min_parent = 50, min_child = 20,
                                     adjust_across = m))
  s <- f$nodes[[1]]$split
  cat(sprintf("adjust_across=%-5s : ノード数 %2d, ルート分割 %s\n",
              m, length(f$nodes),
              if (is.null(s)) "(なし)" else
                sprintf("%s (p_adj=%.4f, final.p=%.4f)", s$var, s$p_adj, s$p_final)))
}
#> adjust_across=none  : ノード数  7, ルート分割 signal (p_adj=0.0078, final.p=0.0078)
#> adjust_across=BH    : ノード数  1, ルート分割 (なし)
#> adjust_across=holm  : ノード数  1, ルート分割 (なし)

無補正では p=0.0078 で分割するが、20変数から選んだことを考慮すると有意といえず、 BH / holm は分割を棄却する。

性質（詳細は chaid_control のコメント参照）:

4.6 一般的な二分木（CART / rpart）との比較

CHAID と、最も普及している二分木アルゴリズム CART（R では rpart）は 設計思想が根本的に異なる。

観点 CHAID CART（rpart）
分岐数 多岐分岐（1ノードから3つ以上の子も可） 常に二分岐
分割基準 仮説検定の p 値（χ² / F）＋ Bonferroni 補正 不純度（ジニ係数・分散）の減少量
木の成長停止 有意性による自動停止（事前停止） 大きく育ててから交差検証で剪定（事後剪定）
過剰適合対策 α 水準・多重比較補正 複雑度パラメータ cp と CV 剪定
欠損値 Floating カテゴリ / <NA> カテゴリ サロゲート分割
連続予測変数 分位ビン化（区間セグメントとして解釈） 全カットポイントの貪欲探索
得意分野 セグメント発見・解釈・要因分析 予測精度・アンサンブルの基礎学習器

違いが最も際立つのが §4.2 のU字型データである。同じデータで両者を比較する。

library(rpart)
du <- data.frame(cost, age)
r2 <- function(pred) 1 - sum((cost - pred)^2) / sum((cost - mean(cost))^2)
fit_r1 <- rpart(cost ~ age, data = du, maxdepth = 1)   # 深さ1に制限
fit_r  <- rpart(cost ~ age, data = du)                 # 既定（CV剪定あり）
data.frame(
  モデル = c("CHAID（深さ1）", "rpart（深さ1）", "rpart（既定・深さ5）"),
  末端ノード = c(sum(sapply(fit_u$nodes, function(x) is.null(x$split))),
                 sum(fit_r1$frame$var == "<leaf>"),
                 sum(fit_r$frame$var == "<leaf>")),
  R2 = round(c(r2(predict(fit_u, du)), r2(predict(fit_r1, du)), r2(predict(fit_r, du))), 3)
)
#>                 モデル 末端ノード    R2
#> 1       CHAID（深さ1）          9 0.892
#> 2       rpart（深さ1）          2 0.324
#> 3 rpart（既定・深さ5）          8 0.908

rpart は1回の二分割ではU字をほぼ捉えられず、CHAID と同等の当てはまりに達するには 深さ5の入れ子カスケードが必要になる。

CHAID の木（§4.2 の図）は同じ構造を1階層の「年齢帯セグメント一覧」として 表現しており、そのまま報告書に載せられる解釈性が強みになる。 一方、予測精度そのものが目的なら、CV 剪定を備えた CART やその アンサンブル（ランダムフォレスト・勾配ブースティング）が一般に有利である。 CHAID の p 値駆動の停止は「統計的に説明できる分岐だけを残す」ための 仕組みであり、汎化誤差を直接最適化するものではない。

4.7 レポーティング機能（テーブル・ルール・重要度・ゲイン・検証）

木を報告書とセグメント定義に落とすための関数群。

ノード要約テーブル — 末端ノードの一覧（root 行がインデックス 100 の基準）:

tb <- chaid_table(fit, target = "Gentoo")
tb[, setdiff(names(tb), "rule")]   # rule 列（到達条件文）は幅の都合で省略
#>    node depth   n pct_n prediction p_Adelie p_Chinstrap p_Gentoo response_rate
#> 1     1     0 344 100.0     Adelie   0.4419      0.1977   0.3605        0.3605
#> 2     3     2  70  20.3     Adelie   1.0000      0.0000   0.0000        0.0000
#> 3     4     2  13   3.8     Adelie   0.9231      0.0769   0.0000        0.0000
#> 4     5     2  16   4.7  Chinstrap   0.1250      0.8750   0.0000        0.0000
#> 5     7     2  43  12.5     Adelie   1.0000      0.0000   0.0000        0.0000
#> 6     8     2  24   7.0  Chinstrap   0.0833      0.9167   0.0000        0.0000
#> 7    10     2  20   5.8     Adelie   0.9000      0.1000   0.0000        0.0000
#> 8    11     2  18   5.2  Chinstrap   0.0000      1.0000   0.0000        0.0000
#> 9    13     2  44  12.8     Gentoo   0.0000      0.0000   1.0000        1.0000
#> 10   14     2  17   4.9  Chinstrap   0.2941      0.6471   0.0588        0.0588
#> 11   15     1  79  23.0     Gentoo   0.0000      0.0000   1.0000        1.0000
#>    index
#> 1  100.0
#> 2    0.0
#> 3    0.0
#> 4    0.0
#> 5    0.0
#> 6    0.0
#> 7    0.0
#> 8    0.0
#> 9  277.4
#> 10  16.3
#> 11 277.4

ルール抽出 — 各末端ノードの到達条件を text（人間可読）/ SQL / R 式で出力。 format = "r" の式は eval するとノード割当を厳密に再現する（テストで保証済み）。

head(chaid_rules(fit, format = "sql"), 3)
#>   node
#> 1    3
#> 2    4
#> 3    5
#>                                                                                                                           rule
#> 1                                                                        bill_len <= 40.100000000000001 AND flipper_len <= 190
#> 2                                    (bill_len > 40.100000000000001 AND bill_len <= 41.799999999999997) AND flipper_len <= 190
#> 3 ((bill_len > 41.799999999999997 AND bill_len <= 47.299999999999997) OR bill_len > 49.299999999999997) AND flipper_len <= 190
head(chaid_rules(fit, format = "text"), 3)
#>   node                                                                 rule
#> 1    3                              bill_len <= 40.1 and flipper_len <= 190
#> 2    4                      bill_len in (40.1, 41.8] and flipper_len <= 190
#> 3    5 (bill_len in (41.8, 47.3] or bill_len > 49.3) and flipper_len <= 190

変数重要度 — 「大きなノードを強い有意性で分割した変数ほど重要」という p 値ベースのヒューリスティック（SPSS に公式指標は無いため独自定義）:

chaid_importance(fit)
#>      variable n_splits    min_p_adj importance importance_pct
#> 3 flipper_len        1 2.484038e-63  62.604842           86.6
#> 1    bill_len        3 2.915163e-16   7.692892           10.6
#> 2    bill_dep        1 9.690029e-12   1.953006            2.7

ゲイン・リフト表（SPSS の gains table 相当）とチャート。 「上位ノードから何%接触すればターゲットの何%を捕捉できるか」を読む:

g <- chaid_gains(fit_std, target = "Yes")   # Titanic 生存
print(g)
#> CHAID gains table (target = Yes) 
#> Overall response rate: 0.323 
#> 
#>  node   n pct_n resp pct_resp   rate index cum_pct_n cum_pct_resp cum_lift
#>    10 145  6.59  141    19.83 0.9724 301.0      6.59        19.83    3.009
#>    11 129  5.86  113    15.89 0.8760 271.2     12.45        35.72    2.869
#>    12 196  8.91   90    12.66 0.4592 142.1     21.35        48.38    2.266
#>     3  64  2.91   29     4.08 0.4531 140.3     24.26        52.46    2.162
#>     5 175  7.95   57     8.02 0.3257 100.8     32.21        60.48    1.878
#>     8 862 39.16  192    27.00 0.2227  69.0     71.38        87.48    1.226
#>     7 462 20.99   75    10.55 0.1623  50.3     92.37        98.03    1.061
#>     6 168  7.63   14     1.97 0.0833  25.8    100.00       100.00    1.000
par(mfrow = c(1, 2))
plot(g)
plot(g, type = "lift")

安定性評価 — 検証データを木にルーティングし、ノードごとに train/test を比較。 diff_rate の絶対値が大きいノードは検証データで再現していないシグナル:

set.seed(9)
idx <- sample(344, 244)
fit_tr <- chaid(species ~ ., data = penguins[idx, ],
                control = chaid_control(min_parent = 30, min_child = 10))
chaid_validate(fit_tr, penguins[-idx, ])
#> CHAID stability assessment (validation n = 100 )
#> Validation accuracy: 0.83 
#> (rate = share of the predicted class, or the mean for continuous responses.
#>  Nodes with a large |diff_rate| do not replicate on the validation data.)
#> 
#>  node prediction train_pct_n test_pct_n train_rate test_rate diff_rate
#>     2     Adelie       28.28         30     0.8841    0.7667   -0.1174
#>     4     Adelie       18.03         13     1.0000    1.0000    0.0000
#>     5  Chinstrap        4.10          6     0.7000    0.8333    0.1333
#>     6  Chinstrap        8.61          7     1.0000    1.0000    0.0000
#>     7     Gentoo        8.20          8     0.5500    0.3750   -0.1750
#>     8     Gentoo       10.25         10     0.9200    0.7000   -0.2200
#>     9     Gentoo       22.54         26     1.0000    0.9615   -0.0385

4.8 誤分類コスト行列（costs）

偽陽性と偽陰性のコストが非対称な業務では、costs（C[truth, pred]、 rpart の loss と同じ規約）を渡すとノードの予測クラスが「最頻クラス」から 「期待コスト最小のクラス」に変わる。SPSS 準拠で木の成長・検定には影響しない。

cs <- matrix(c(0, 1, 1,
               4, 0, 1,     # Chinstrap の見逃しコストを 4 に
               4, 1, 0), 3, 3, byrow = TRUE,
             dimnames = list(levels(penguins$species), levels(penguins$species)))
fit_c <- chaid(species ~ ., data = penguins, costs = cs,
               control = chaid_control(min_parent = 30, min_child = 10))
# 予測クラスが変わったノード数
sum(vapply(seq_along(fit$nodes), function(i)
  !identical(fit$nodes[[i]]$prediction, fit_c$nodes[[i]]$prediction), logical(1)))
#> [1] 2

summary() のリスク推定行も期待誤分類コストに切り替わる。

4.9 順序型目的変数（Goodman row effects model）

満足度5段階などの順序尺度を目的変数にする場合、ordered factor を渡すだけで Goodman (1979) の row effects model に基づく尤度比検定 H²（df = I−1）が 自動的に使われる（IBM SPSS 準拠。名義型の χ² と違いクラスの順序情報を使う）。

set.seed(1)
dd8 <- as.data.frame(diamonds)[sample(53940, 8000), ]
fit_o <- chaid(cut ~ carat + price + depth + table, data = dd8,
               control = chaid_control(min_parent = 800, min_child = 300,
                                       max_depth = 2, n_bins = 5))
print(fit_o)
#> CHAID decision tree (method = "chaid")
#> Response: cut (ordinal categorical) 
#> Valid cases: 8000 (data: 8000 rows) 
#> 
#> [1] root: Ideal (39.2%), n=8000 | split: depth (adj.p=0, H2=2645, B=1)
#>   [2] depth in {<= 60.7}: Premium (40.7%), n=1558 | split: table (adj.p=2.42e-59, H2=266.7, B=4)
#>     [3] table in {<= 57.8}: Ideal (59.2%), n=412 *
#>     [4] table in {> 57.8}: Premium (51.0%), n=1146 *
#>   [5] depth in {(60.7, 61.5]}: Ideal (52.3%), n=1588 | split: table (adj.p=2.68e-140, H2=646.3, B=6)
#>     [6] table in {<= 56.9}: Ideal (87.3%), n=616 *
#>     [7] table in {(56.9, 57.8]}: Ideal (77.9%), n=331 *
#>     [8] table in {> 57.8}: Premium (68.3%), n=641 *
#>   [9] depth in {(61.5, 62]}: Ideal (62.8%), n=1512 | split: table (adj.p=3.35e-106, H2=489.3, B=6)
#>     [10] table in {<= 55.9}: Ideal (89.9%), n=445 *
#>     [11] table in {(55.9, 57.8]}: Ideal (80.7%), n=637 *
#>     [12] table in {> 57.8}: Premium (63.5%), n=430 *
#>   [13] depth in {(62, 62.6]}: Ideal (54.2%), n=1574 | split: table (adj.p=1.4e-130, H2=601.6, B=6)
#>     [14] table in {<= 55.9}: Ideal (89.4%), n=436 *
#>     [15] table in {(55.9, 57.8]}: Ideal (74.6%), n=582 *
#>     [16] table in {> 57.8}: Premium (62.4%), n=556 *
#>   [17] depth in {> 62.6}: Very Good (39.0%), n=1768 | split: table (adj.p=5.09e-10, H2=49.05, B=4)
#>     [18] table in {<= 56.9}: Very Good (39.3%), n=610 *
#>     [19] table in {(56.9, 57.8]}: Very Good (41.7%), n=357 *
#>     [20] table in {(57.8, 58.8]}: Very Good (45.5%), n=319 *
#>     [21] table in {> 58.8}: Very Good (32.2%), n=482 *
pr_o <- predict(fit_o, dd8)
cat("is.ordered:", is.ordered(pr_o), " 精度:", round(mean(pr_o == dd8$cut), 3), "\n")
#> is.ordered: TRUE  精度: 0.639

5. 可視化

5.1 組み込み plot()（base graphics、依存なし）

plot(fit_std, main = "CHAID: Titanic")

引数: cex（文字サイズ）、label_len（エッジラベル最大長）、palette（クラス色）、 show_bar（分布帯の有無）、main。

5.2 partykit 連携

chaid_as_party()（または partykit::as.party(fit, data =)）で constparty に変換でき、 partykit の描画・表示・検査がすべて使える。partykit 側の対応・変更は不要。

library(partykit)
#> Loading required package: grid
#> Loading required package: libcoin
#> Loading required package: mvtnorm
pt <- chaid_as_party(fit_std, tit_exp)   # 学習に使ったデータを渡す（下記注意）
print(pt)
#> 
#> Model formula:
#> Survived ~ Class + Sex + Age
#> 
#> Fitted party:
#> [1] root
#> |   [2] Sex in Male
#> |   |   [3] Age in Child: No (n = 64, err = 45.3%)
#> |   |   [4] Age in Adult
#> |   |   |   [5] Class in 1st: No (n = 175, err = 32.6%)
#> |   |   |   [6] Class in 2nd: No (n = 168, err = 8.3%)
#> |   |   |   [7] Class in 3rd: No (n = 462, err = 16.2%)
#> |   |   |   [8] Class in Crew: No (n = 862, err = 22.3%)
#> |   [9] Sex in Female
#> |   |   [10] Class in 1st: Yes (n = 145, err = 2.8%)
#> |   |   [11] Class in 2nd, Crew: Yes (n = 129, err = 12.4%)
#> |   |   [12] Class in 3rd: No (n = 196, err = 45.9%)
#> 
#> Number of inner nodes:    4
#> Number of terminal nodes: 8
plot(pt)

注意:

5.3 ggparty（ggplot2 系の描画）

ggparty は party オブジェクトを受けるため、追加実装なしでそのまま使える。

library(ggparty)
# 表示用にビン数と深さを抑えると、エッジのビン区間ラベルが読みやすくなる
fit_g <- chaid(species ~ ., data = penguins,
               control = chaid_control(min_parent = 60, min_child = 20,
                                       max_depth = 2, n_bins = 5))
pti <- chaid_as_party(fit_g, penguins)
ggparty(pti) +
  geom_edge() +
  geom_edge_label(size = 2.6) +
  geom_node_label(aes(label = splitvar), ids = "inner") +
  geom_node_plot(gglist = list(
    geom_bar(aes(x = "", fill = species), position = "fill"))) +
  geom_node_label(aes(label = paste0("n=", nodesize)), ids = "terminal")

回帰木の場合: 積み上げ棒ではなく箱ひげ図

連続目的変数では、末端ノードに描くのはクラス構成比ではなく目的変数の分布になる。 chaid_as_party() が返す party の data には目的変数が数値のまま入っているので、 aes(y = price) でそのまま参照できる。

# 表示用に木を小さくする（既定の n_bins=10 だと末端が20超で読めなくなる）
fit_dg <- chaid(price ~ carat + cut + color + clarity, data = as.data.frame(diamonds),
                control = chaid_control(min_parent = 8000, min_child = 4000,
                                        max_depth = 2, n_bins = 4))
pt_dg <- chaid_as_party(fit_dg, as.data.frame(diamonds))

ggparty(pt_dg) +
  geom_edge() +
  geom_edge_label(size = 2.7) +
  geom_node_label(aes(label = paste0(splitvar, "\np ", format.pval(p.value, 2, 1e-16))),
                  ids = "inner", size = 2.9) +
  geom_node_plot(gglist = list(
    geom_boxplot(aes(y = price), fill = "steelblue", alpha = .5, outlier.size = .2),
    scale_x_discrete(), xlab(NULL), ylab("price"), theme_minimal(base_size = 8)),
    shared_axis_labels = TRUE, size = 1.2) +
  geom_node_label(aes(label = paste0("n=", nodesize, "\nmean $",
                      format(round(sapply(nodedata_price, mean)), big.mark = ","))),
                  ids = "terminal", size = 2.5, nudge_y = 0.02) +
  ggtitle("CHAID regression tree: diamonds (price)")

カラット帯（左→右）に沿って箱ひげが単調に上昇し、各帯の中で clarity が価格を 層別する構造が見える。ポイントは3つ。

  • shared_axis_labels = TRUE を付けないと末端ノードごとに y 軸ラベルが重複する
  • nodedata_<目的変数名> というリスト列が使えるので、 sapply(nodedata_price, mean) でノード別の平均値をラベルに出せる。 回帰木で最も知りたい情報なので入れておくとよい
  • p.value は内部ノードの info から取れる（format.pval() で整形）

分布の形を見たいならバイオリン＋対数軸、ノード数が多いなら平均 ± SD の ポイントレンジに差し替える:

# バイオリン + 対数軸
geom_node_plot(gglist = list(
  geom_violin(aes(x = "", y = price), fill = "seagreen", alpha = .5),
  stat_summary(aes(x = "", y = price), fun = median, geom = "point", size = .8),
  scale_y_log10(), xlab(NULL), ylab("price (log)"), theme_minimal(base_size = 8)),
  shared_axis_labels = TRUE)

# 平均 ± SD のポイントレンジ（最もコンパクト）
geom_node_plot(gglist = list(
  stat_summary(aes(x = "", y = price), fun.data = mean_sdl, fun.args = list(mult = 1),
               geom = "pointrange", colour = "indianred"),
  ylim(0, NA), xlab(NULL), theme_minimal(base_size = 8)),
  shared_axis_labels = TRUE)

ggparty で木が読めなくなるとき: ggparty は末端ノードごとに副プロットを描くため 横幅を強く消費する。

症状 対処
エッジラベルが重なる geom_edge_label(size = 2.2) / 図を横に広げる / aes(label = substr(breaks_label, 1, 12)) で切り詰める
末端が10を超えた n_bins を下げる（最も効く）、min_child を上げる
それでも収まらない plot(fit)（§5.1）か chaid_graphviz(fit, rankdir = "LR")（§5.4）の方が破綻しにくい

5.4 Graphviz（DiagrammeR、出版品質）

chaid_dot() が純 base R で DOT を生成する。chaid_graphviz() は DiagrammeR （viz.js 同梱で Graphviz バイナリ不要）でレンダリングして htmlwidget を返す。 ノードは HTML-like ラベルで「ID・予測クラス・n・クラス分布の積み上げバー・ 分割変数と adj.p」を積み、末端ノードは薄灰色、内部ノードは白で描画される。

htmlwidget は vignette のファイルサイズを大きく増やすため、本書では コードのみ掲載する（手元で実行すると RStudio Viewer / ブラウザに表示される）。

chaid_graphviz(fit)                # DiagrammeR htmlwidget
chaid_graphviz(fit_d, rankdir = "LR")   # 左→右レイアウト
chaid_dot(fit, file = "tree.gv")   # DOT 書き出し → 外部 `dot -Tpng tree.gv -o tree.png`

5.5 Plotly（インタラクティブ）

chaid_plotly() は plotly の htmlwidget を返す。ノードにホバーすると 到達条件・クラス構成比・分割変数と adj.p が表示され、ズーム・パンにも 対応する。ダッシュボードや共有用 HTML への埋め込みに向く。 こちらも本書ではコードのみ掲載する。

chaid_plotly(fit)      # 分類木: クラス分布の積み上げバー
chaid_plotly(fit_d)    # 回帰木: 平均のグラデーション + カラーバー

内部では既存 plot.chaid と同じ座標計算（tree_layout()）を使うため、 plot() と chaid_plotly() はレイアウトが一致する。到達条件は chaid_rules(format = "text") を再利用しているため、ホバーで読める条件文と 別途エクスポートするルール（§4.7）が完全に対応する。

6. 制限事項と注意点

参考文献