Beispiel für eine Prognose mit TreeNet® Regression

Hinweis

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

Ein Forscherteam möchte Daten über einen Kreditnehmer und den Ort einer Immobilie nutzen, um den Hypothekenbetrag zu prognostizieren. Variablen sind Einkommen, Ethnie und Geschlecht des Kreditnehmers sowie der Zählbezirk der Immobilie sowie andere Informationen über den Kreditnehmer und den Objekttyp. Diese Daten sind eine Adaption eines öffentlichen Datensatzes, der Informationen zu Hypotheken von Bundesbausparkassen enthält. Die Originaldaten stammen von fhfa.gov.

Der Forscher kann das Regressionsbaummodell mit Gradient Boosting verwenden, um die Werte der Antwortvariablen für neue Beobachtungen zu prognostizieren.

Hinweis

In diesem Beispiel wird der Datensatz aus Anpassen des Modellsverwendet, aber die Prognose ist auch verfügbar, wenn Sie Ermitteln von wichtigen Prädiktoren zum Erstellen des Modells verwenden.

  1. Arbeiten Sie das Beispiel für Anpassen des Modells für TreeNet® Regression durch.
  2. Öffnen Sie den Beispieldatensatz GekaufteHypothekenPrognosen.MTW.
  3. Vergewissern Sie sich, dass das Arbeitsblatt mit den Prognosedaten aktiv ist, und klicken Sie unter den Ergebnissen des Regressionsbaums auf die Schaltfläche Prognostizieren.
  4. Wählen Sie in der Dropdown-Liste die Option Spalten mit Werten eingeben aus.
  5. Geben Sie die folgenden Werte ein:
    Jahreseinkommen Jahreseinkommen
    Einkommensquote Einkommensquote
    Front-End-Verhältnis Front-End-Verhältnis
    Back-End-Verhältnis Back-End-Verhältnis
    Anzahl Kreditnehmer Anzahl Kreditnehmer
    Alter Alter
    Alter Mit-Kreditnehmer Alter Mit-Kreditnehmer
    Prozent Minderheiten im Zählbezirk Prozent Minderheiten im Zählbezirk
    Einkommen Zählbezirk Einkommen Zählbezirk
    Lokales Einkommen Lokales Einkommen
    Einkommen Bezirk Einkommen Bezirk
    Immobilien-Erstkäufer Immobilien-Erstkäufer
    Belegungskode Belegungskode
    Selbstständig Selbstständig
    Ethnie 4 Mit-Kreditnehmer Ethnie 4 Mit-Kreditnehmer
    Ethnie 5 Mit-Kreditnehmer Ethnie 5 Mit-Kreditnehmer
    Kreditzweck Kreditzweck
    Geschlecht Geschlecht
    Anzahl Einheiten Anzahl Einheiten
    Ethnizität Ethnizität
    Ethnie 3 Mit-Kreditnehmer Ethnie 3 Mit-Kreditnehmer
    Geschlecht Mit-Kreditnehmer Geschlecht Mit-Kreditnehmer
    Ethnie 2 Ethnie 2
    Ethnie Mit-Kreditnehmer Ethnie Mit-Kreditnehmer
    Bonitätsnote Bonitätsnote
    Bonitätsnote Mit-Kreditnehmer Bonitätsnote Mit-Kreditnehmer
    Ethnie Ethnie
    Ethnie 2 Mit-Kreditnehmer Ethnie 2 Mit-Kreditnehmer
    Ethnie 1 Mit-Kreditnehmer Ethnie Mit-Kreditnehmer
    Objekttyp Objekttyp
    Bundesbezirk Bundesbezirk
    Bundesstaat-Kode Bundesstaat-Kode
    Landkreiskode Landkreiskode
    Statistisches Kerngebiet Statistisches Kerngebiet
  6. Klicken Sie auf OK.

Interpretieren der Ergebnisse

Minitab verwendet die Regressionsbäume mit Gradient Boosting in den Ergebnissen, um die Anpassung für einen Satz von Prognosewerten zu schätzen. Die Forscher finden die prognostizierten Kreditbeträge für verschiedene Einstellungen der Prädiktoren.
Anpassung
235932
202454
384061
137775
115011
120295
494431
552118
113623
617189
107901
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