fa کاربرد درخت‌های رده‌بندی در پیش‌بینی ترجیح جنسی فرزنداوری زنان در آستانه‌ی ازدواج ایران تخصصي Special كاربردي Applicable <div style="text-align: justify;"><span style="font-family:tahoma;"><span style="font-size:11.0pt;">استفاده ‌از درخت تصمیم وقتی با وجود مشاهدات و متغیرهای گوناگون نتوان از روش‌های کلاسیک استفاده نمود، اهمیت و جایگاه ویژه‌ای می‌یابد. تحلیل اکتشافی، تشخیص مدل، پیش‌بینی و تصمیم‌گیری در مورد داده‌ها با اندازه‌ی زیاد، از کاربردهای مهم این روش است. درخت تصمیم وقتی متغیر پاسخ رسته‌ای ‌باشد به درخت رده‌بندی معروف است. هدف اصلی این مطالعه، مقایسه‌ی سه روش مختلف استخراج درخت‌های رده‌بندی </span><span dir="LTR"><span style="font-size:11.0pt;">CART</span></span><span style="font-size:11.0pt;">، </span><span dir="LTR"><span style="font-size:11.0pt;">CHAID</span></span><span style="font-size:11.0pt;"> و </span><span dir="LTR"><span style="font-size:11.0pt;">QUEST</span></span><span style="font-size:11.0pt;"> به منظور پیش‌بینی ترجیح جنسی فرزندان زنان در آستانه‌ی ازدواج با یکدیگر با استفاده از نرم‌افزار </span><span dir="LTR"><span style="font-size:11.0pt;">SPSS</span></span><span style="font-size:11.0pt;"> نسخه‌ی ۲۲ است. داده‌های این مطالعه را ۶۳۶۰ زن مراجعه‌کننده به مراکز بهداشتی به ‌منظور دریافت مشاوره‌ی پیش از ازدواج تشکیل دادند که با روش نمونه‌گیری چندمرحله‌ای و به‌صورت تصادفی در سال ۱۳۹۳ در کل کشور گرداوری شد. نتایج نشان داد که هر سه الگوریتم درخت‌ رده‌بندی از دقت تقریباً مشابهی در پیش‌بینی ترجیح جنسی برای فرزندان برخوردارند، اما با توجه به انطباق بیش‌تر مدل</span><span dir="LTR"><span style="font-size:11.0pt;">CART</span></span><span style="font-size:11.0pt;"> به فرضیه‌‌های موجود، این مدل به‌عنوان مدل نهایی در نظر گرفته شد.</span><span dir="LTR"><span style="font-size:11.0pt;">CART</span></span><span style="font-size:11.0pt;"> روش ناپارامتری با قابلیت تفسیرپذیری آسان است که امکان محاسبات سریع و حصول به نتایج دقیق را فراهم می‌نماید. بر اساس نتایج حاصل از این درخت، تعداد فرزندان ایده‌آل، سطح تحصیلی و سن زنان متغیرهای تأثیرگذار بر ترجیح جنسی به دست آمد.</span></span></div> <div>Employing a decision tree when classical methods are not applicable in the presence of various observations and variables becomes vital and important. Exploratory analysis, model detection, prediction and make decisions about large data are the most common usage of this method. If the response variable is categorical variable, it is known as classification tree. Comparing three different extraction methods, CART, CHAID, and QUEST of classification trees to predict sex preference for children of pre-marriage women by SPSS 22 was the main objective of this study. The data on this study consist of 6360 women referred to health centers to get premarital counseling which was collected by the multi-stage random sampling in 2014 in the whole country. The results showed that accuracy of all three classification tree algorithms in predicting sex preference for children are almost the same, but with regard to compliance CART to the existing theories, this model was considered as the final model. CART is a non-parametric method with easy interpretation feature that enables quick calculations and acquisitions to provide accurate results. According to the results of this tree, the ideal number of children, education level and women age are variables that affect sex preference.<br> &nbsp;</div> <br clear="all" > &nbsp; درخت تصمیم, درخت رده‌بندی, الگوریتم CART, الگوریتم CHAID, الگوریتم QUEST. Decision tree, classification tree, CART algorithm, CHAID algorithm, QUEST algorithm. 83 102 http://ijoss.srtc.ac.ir/browse.php?a_code=A-10-52-3&slc_lang=fa&sid=1 Mahsa Saadati مهسا سعادتی mahsa.saadati@psri.ac.ir 1003194753284600419 1003194753284600419 Yes مؤسسه‌ی مطالعات و مدیریت جامع و تخصصی جمعیت کشور Arezoo Bagheri آرزو باقری abagheri_000@yahoo.com 1003194753284600420 1003194753284600420 No مؤسسه‌ی مطالعات و مدیریت جامع و تخصصی جمعیت کشور