Angeben der Standardeinstellungen für TreeNet^® Regression

Datei > Optionen > Prädiktive Analysen > TreeNet® Regression

Geben Sie die Standardmethoden für TreeNet^® Regressionan. Die an den Standardeinstellungen vorgenommenen Änderungen bleiben auch nach dem Beenden von Minitab in Kraft, bis Sie sie wieder ändern.

Verlustfunktion

Wählen Sie die Verlustfunktion zum Erstellen des Modells aus. Sie können die Ergebnisse aus mehreren Funktionen vergleichen, um die beste Option für Ihre Anwendung zu ermitteln.

Quadrierter Fehler: Dies ist eine auf dem Mittelwert basierende Verlustfunktion. Diese Verlustfunktion eignet sich für viele Anwendungen.
Absolute Abweichung: Die absolute Abweichung ist eine auf dem Median basierende Verlustfunktion.
Huber: Die Huber-Funktion ist ein Hybrid aus dem quadrierten Fehler und der absoluten Abweichung.

Geben Sie für Huber außerdem Umschaltwert an. Die Verlustfunktion beginnt als quadrierter Fehler. Die Verlustfunktion bleibt der quadrierte Fehler, solange der Wert kleiner als der Umschaltwert ist. Wenn der quadrierte Fehler den Umschaltwert überschreitet, wird als Verlustfunktion die absolute Abweichung verwendet. Wenn die absolute Abweichung kleiner als der Umschaltwert wird, wird als Verlustfunktion wieder der quadratische Fehler verwendet.

Maximale Anzahl von Endknoten pro Baum und Maximale Baumtiefe

Sie können auch die Größe der Bäume einschränken. Wählen Sie eine der folgenden Optionen aus, um die Größe der Bäume zu begrenzen.

Maximale Anzahl von Endknoten pro Baum: Geben Sie einen Wert zwischen 2 und 2000 ein, um die maximale Anzahl von Endknoten in einem Baum anzugeben. Normalerweise bietet 6 eine gute Balance zwischen der Berechnungsgeschwindigkeit und der Untersuchung von Wechselwirkungen zwischen Variablen. Bei einem Wert von 2 werden die Wechselwirkungen nicht untersucht.
Maximale Baumtiefe: Geben Sie einen Wert zwischen 2 und 1000 ein, um die maximale Tiefe eines Baums anzugeben. Der Wurzelknoten entspricht einer Tiefe von 1. In vielen Anwendungen ergeben Tiefen von 4 bis 6 ausreichend gute Modelle.

Strafe für fehlenden Wert

Geben Sie einen Strafwert für einen Prädiktor mit fehlenden Werten ein. Da es einfacher ist, mit weniger Daten ein guter Teiler zu sein, haben Prädiktoren mit fehlenden Daten einen Vorteil gegenüber Prädiktoren ohne fehlende Daten. Verwenden Sie diese Option, um Prädiktoren mit fehlenden Daten zu bestrafen.

0,0 ≤ K ≤ 2,0, z. B.:

K = 0: Gibt keine Strafe an.
K = 2: Gibt die höchste Strafe an.

Strafe für Kategorie auf hoher Stufe

Geben Sie einen Strafwert für kategoriale Prädiktoren mit vielen Werten ein. Da kategoriale Prädiktoren mit vielen Stufen einen Baum aufgrund ihrer erhöhten Aufspaltungsleistung verzerren können, haben sie einen Vorteil gegenüber Prädiktoren mit weniger Stufen. Verwenden Sie diese Option, um Prädiktoren mit vielen Stufen bestrafen.

0,0 ≤ K ≤ 5,0, z. B.:

K = 0: Gibt keine Strafe an.
K = 5: Gibt die höchste Strafe an.

Angeben der Standardeinstellungen für TreeNet® Regression

Angeben der Standardeinstellungen für TreeNet^® Regression