Auswählen der anzuzeigenden Grafiken für Anpassen des Modells und Ermitteln von wichtigen Prädiktoren mit TreeNet®-Klassifikation

Predictive Analytics-Modul > TreeNet® Klassifikation > Modell anpassen > Grafiken

Predictive Analytics-Modul > TreeNet® Klassifikation > Wichtige Prädiktoren ermitteln > Grafiken

Hinweis

Dieser Befehl ist mit dem Predictive Analytics-Modul verfügbar. Klicken Sie hier, um weitere Informationen zum Aktivieren des Moduls zu erhalten.

Wählen Sie die Grafiken aus, die für die Analyse angezeigt werden sollen.

Das verfügbare Diagramm hängt von dem Kriterium ab, das Sie für die Auswahl der optimalen Anzahl von Bäumen wählen. Das Diagramm zeigt die Beziehung zwischen dem Kriterium und der Anzahl der Bäume.
  • Diagramm der durchschnittlichen -Log-Likelihood vs. Anzahl der Bäume
  • Diagramm der Fläche unterhalb der ROC-Kurve vs. Anzahl der Bäume
  • Diagramm der Fehlklassifikationsquote vs. Anzahl der Bäume
Diagramm der Variablenwichtigkeit
Das Diagramm der Variablenwichtigkeit zeigt die relative Wichtigkeit der Prädiktoren. Sie können auswählen, ob alle wichtigen Variablen oder ausgewählte wichtige Variablen angezeigt werden sollen. Variablen sind wichtig, wenn sie als primäre Teiler verwendet werden.
  • Alle wichtigen Variablen anzeigen: In der Standardeinstellung werden in diesem Diagramm alle wichtigen Variablen angezeigt.
  • Einen Prozentsatz der wichtigen Variablen anzeigen: Geben Sie den Prozentsatz der anzuzeigenden wichtigen Variablen an. Geben Sie einen Wert zwischen 0 und 100 ein.
  • Alle Prädiktorvariablen anzeigen: Es werden alle Prädiktoren angezeigt, wobei es keine Rolle spielt, ob es sich um wichtige Variablen handelt.
Grenzwertoptimierungskurve (ROC-Kurve)
Die Grenzwertoptimierungskurve (ROC-Kurve) zeigt die Fähigkeit eines Modells, zwischen Klassen zu unterscheiden. Die ROC-Kurve bildet die Richtig-Positiv-Rate (TPR) im Vergleich zur Falsch-Positiv-Rate (FPR) ab.
Gain-Diagramm
Das kumulierte Gain-Diagramm veranschaulicht die Effektivität des Modells in einem Anteil der Grundgesamtheit. Das Gain-Diagramm stellt die Richtig-Positiv-Rate in Prozent vs. % Grundgesamtheit dar.
Lift-Diagramm
Das Lift-Diagramm veranschaulicht die Effektivität des Prognosemodells. Im Diagramm ist der kumulative Lift im Vergleich zu % Grundgesamtheit abgebildet, und es wird die Differenz zwischen den Ergebnissen mit dem und ohne das Prognosemodell angezeigt. Sie können Kumulativ oder Nicht kumulativ für das Lift-Diagramm angeben.
Boxplot der Ereigniswahrscheinlichkeiten
Für eine binäre Antwortvariable zeigt das Boxplot der Ereigniswahrscheinlichkeiten die Verteilung der Ereigniswahrscheinlichkeiten sowohl für die Test- als auch für die Trainingsdaten an.
Diagramm der partiellen Abhängigkeit für einen Prädiktor für die K wichtigsten Variablen, K =
Die Diagramme der partiellen Abhängigkeit bei einem Prädiktor zeigen standardmäßig die 1/2 logarithmierten Chancen für die obersten 4 wichtigen Variablen. Sie können die Anzahl der darzustellenden wichtigen Variablen erhöhen oder verringern. Nachdem Sie Ergebnisse erhalten haben, klicken Sie Auswählen weiterer Prädiktoren zur Darstellung unterhalb der Diagramme zu einem Prädiktor, um Diagramme für weitere Prädiktoren anzuzeigen.
Diagramm der partiellen Abhängigkeit für zwei Prädiktoren für die K wichtigsten Variablen, K =
Die Diagramme der partiellen Abhängigkeit bei zwei Prädiktoren zeigen standardmäßig die 1/2 logarithmierten Chancen für die obersten 2 wichtigen Variablen. Sie können die Anzahl der darzustellenden wichtigen Variablen erhöhen oder verringern. Nachdem Sie Ergebnisse erhalten haben, klicken Sie Auswählen weiterer Prädiktoren zur Darstellung unterhalb der Diagramme zu zwei Prädiktoren, um Diagramme für weitere Prädiktorpaare anzuzeigen.
Für Diagramme mit kategorialen Prädiktoren zeigt Minitab ein Streudiagramm der angepassten Werte an. Für stetige Prädiktoren können Sie Wirkungsfläche, Kontur oder beides angeben.
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