Prädiktoren gesamt

Die Gesamtzahl der für den Baum verfügbaren Prädiktoren. Dies ist die Summe der angegebenen stetigen und kategorialen Prädiktoren.

Wichtige Prädiktoren

Die Anzahl der wichtigen Prädiktoren im Baum. Wichtige Prädiktoren sind die Variablen, die als primäre oder Surrogat-Teiler verwendet werden.

Interpretation

Mit dem Diagramm „Relative Variablenwichtigkeit“ können Sie die Rangfolge der relativen Variablenwichtigkeit anzeigen. Wenn z. B. 10 von 20 Prädiktoren im Baum wichtig sind, werden die Variablen im Diagramm „Relative Variablenwichtigkeit“ in der Reihenfolge ihrer Wichtigkeit angezeigt.

Anzahl der Endknoten

Ein Endknoten ist ein abschließender Knoten, der nicht weiter geteilt werden kann.

Interpretation

Sie können die Endknoteninformationen verwenden, um Prognosen zu erstellen.

Minimale Endknotengröße

Die minimale Endknotengröße ist der Endknoten mit der kleinsten Anzahl von Fällen.

Interpretation

Standardmäßig legt Minitab die minimal zulässige Anzahl der Fälle für einen Endknoten auf drei Fälle fest. Die minimale Endknotengröße in einem Baum kann jedoch größer als die von der Analyse zugelassene Anzahl sein. Sie können diesen Schwellenwert im Unterdialogfeld Optionen ändern.

R-Quadrat

R2 ist der Prozentsatz der Streuung in der Antwortvariablen, der durch das Modell erklärt wird. Ausreißer haben eine größere Auswirkung auf das R2 als auf die MAD und den MAPE.

Wenn Sie eine Validierungsmethode verwenden, enthält die Tabelle das R2 für den Trainingsdatensatz und das R2 für den Testdatensatz. Wenn die Validierungsmethode die Kreuzvalidierung mit K Faltungen ist, entspricht der Testdatensatz jeder Faltung, wenn diese Faltung bei der Baumerstellung ausgeschlossen wird. Das R2 für den Test ist im Allgemeinen ein besseres Maß für die Eignung des Modells für neue Daten.

Interpretation

Verwenden Sie das R2, um zu bestimmen, wie gut das Modell für Ihre Daten passend ist. Je höher das R2, desto besser ist das Modell für Ihre Daten passend. R2 liegt immer zwischen 0 % und 100 %.

Sie können die Bedeutung unterschiedlicher Werte für das R2 grafisch veranschaulichen. Das erste Diagramm veranschaulicht ein einfaches Regressionsmodell, das 85,5 % der Streuung in der Antwortvariablen erklärt. Das zweite Diagramm veranschaulicht ein Modell, das 22,6 % der Streuung in der Antwortvariablen erklärt. Je mehr Streuung durch das Modell erklärt wird, desto näher liegen die Datenpunkte an den angepassten Werten. Wenn ein Modell theoretisch 100 % der Streuung erklären könnte, wären die angepassten Werte immer gleich den beobachteten Werten, und alle Datenpunkte würden auf der Linie y = x liegen.

Ein R2 für den Test, das erheblich kleiner als das R2 für das Training ist, deutet darauf hin, dass der Baum möglicherweise besser für den aktuellen Datensatz passend ist als er die Werte der Antwortvariablen für neue Fälle prognostizieren kann.

Wurzel des mittleren quadrierten Fehlers (RMSE)

Die Wurzel des mittleren quadrierten Fehlers (RMSE) ist ein Maß für die Genauigkeit des Baums. Ausreißer haben eine größere Auswirkung auf die RMSE als auf die MAD und den MAPE.

Wenn Sie eine Validierungsmethode verwenden, enthält die Tabelle eine RMSE für den Trainingsdatensatz und eine RMSE für den Testdatensatz. Wenn die Validierungsmethode die Kreuzvalidierung mit K Faltungen ist, entspricht der Testdatensatz jeder Faltung, wenn diese Faltung bei der Baumerstellung ausgeschlossen wird. Die RMSE für den Test ist im Allgemeinen ein besseres Maß für die Eignung des Modells für neue Daten.

Interpretation

Hiermit können Sie die Anpassungen verschiedener Bäume vergleichen. Kleinere Werte weisen auf eine bessere Anpassung hin. Eine RMSE für den Test, die erheblich kleiner als die RMSE für das Training ist, deutet darauf hin, dass der Baum möglicherweise besser für den aktuellen Datensatz passend ist als er die Werte der Antwortvariablen für neue Fälle prognostizieren kann.

Mittlerer quadrierter Fehler (MSE)

Der mittlere quadrierte Fehler (MSE) ist ein Maß für die Genauigkeit des Baums. Ausreißer haben eine größere Auswirkung auf den MSE als auf die MAD und den MAPE.

Wenn Sie eine Validierungsmethode verwenden, enthält die Tabelle einen MSE für den Trainingsdatensatz und einen MSE für den Testdatensatz. Wenn die Validierungsmethode die Kreuzvalidierung mit K Faltungen ist, entspricht der Testdatensatz jeder Faltung, wenn diese Faltung bei der Baumerstellung ausgeschlossen wird. Der MSE für den Test ist im Allgemeinen ein besseres Maß für die Eignung des Modells für neue Daten.

Interpretation

Hiermit können Sie die Anpassungen verschiedener Bäume vergleichen. Kleinere Werte weisen auf eine bessere Anpassung hin. Ein MSE für den Test, das erheblich kleiner als das MSE für das Training ist, deutet darauf hin, dass der Baum möglicherweise besser für den aktuellen Datensatz passend ist als er die Werte der Antwortvariablen für neue Fälle prognostizieren kann.

Mittlere absolute Abweichung (MAD)

Die mittlere absolute Abweichung (MAD) drückt die Genauigkeit in der gleichen Einheit wie die Daten aus, wodurch der Fehlerbetrag leichter erfasst werden kann. Ausreißer haben eine geringere Auswirkung auf die MAD als auf das R2, die RMSE und den MSE.

Wenn Sie eine Validierungsmethode verwenden, enthält die Tabelle eine MAD für den Trainingsdatensatz und eine MAD für den Testdatensatz. Wenn die Validierungsmethode die Kreuzvalidierung mit K Faltungen ist, entspricht der Testdatensatz jeder Faltung, wenn diese Faltung bei der Baumerstellung ausgeschlossen wird. Die MAD für den Test ist im Allgemeinen ein besseres Maß für die Eignung des Modells für neue Daten.

Interpretation

Hiermit können Sie die Anpassungen verschiedener Bäume vergleichen. Kleinere Werte weisen auf eine bessere Anpassung hin. Eine MAD für den Test, die erheblich kleiner als die MAD für das Training ist, deutet darauf hin, dass der Baum möglicherweise besser für den aktuellen Datensatz passend ist als er die Werte der Antwortvariablen für neue Fälle prognostizieren kann.

Mittlerer absoluter prozentualer Fehler (MAPE)

Der mittlere absolute prozentuale Fehler (MAPE) drückt die Genauigkeit als Prozentsatz des Fehlers aus. Da es sich bei dem MAPE um einen Prozentsatz handelt, ist dieser Wert möglicherweise verständlicher als die anderen Genauigkeitsmaße. Wenn der MAPE beispielsweise 5 beträgt, weicht die Prognose im Durchschnitt um 5 % ab. Ausreißer haben eine geringere Auswirkung auf den MAPE als auf das R2, die RMSE und den MSE.

In einigen Fällen kann jedoch ein sehr großer MAPE auftreten, obwohl der Baum gut für die Daten passend zu sein scheint. Untersuchen Sie das Diagramm der angepassten vs. tatsächlichen Werte der Antwortvariablen auf Datenwerte, die nahe 0 liegen. Da beim MAPE der absolute Fehler durch die tatsächlichen Daten dividiert wird, können Werte, die nah bei 0 liegen, den MAPE stark ansteigen lassen.

Wenn Sie eine Validierungsmethode verwenden, enthält die Tabelle einen MAPE für den Trainingsdatensatz und einen MAPE für den Testdatensatz. Wenn die Validierungsmethode die Kreuzvalidierung mit K Faltungen ist, entspricht der Testdatensatz jeder Faltung, wenn diese Faltung bei der Baumerstellung ausgeschlossen wird. Der MAPE für den Test ist im Allgemeinen ein besseres Maß für die Eignung des Modells für neue Daten.

Interpretation

Hiermit können Sie die Anpassungen verschiedener Bäume vergleichen. Kleinere Werte weisen auf eine bessere Anpassung hin. Ein MAPE für den Test, das erheblich kleiner als das MAPE für das Training ist, deutet darauf hin, dass der Baum möglicherweise besser für den aktuellen Datensatz passend ist als er die Werte der Antwortvariablen für neue Fälle prognostizieren kann.

Durch Ihre Nutzung dieser Website stimmen Sie zu, dass Cookies verwendet werden. Cookies dienen zu Analysezwecken und zum Bereitstellen personalisierter Inhalte.  Lesen Sie unsere Richtlinien