Support für Minitab® 

Interpretieren Sie die Ergebnisse für Bestes Modell ermitteln (binäre Antwort)

Weitere Informationen zu Minitab
Hinweis

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

In diesem Thema

Die Ergebnisse umfassen die Modellauswahltabelle und die Ergebnisse für das Modell mit dem besten Wert des Genauigkeitskriteriums für die Analyse, z. B. den minimalen Durchschnitt – Loglikelihood. Gehen Sie zum entsprechenden Modelltyp, um Anleitungen zur Interpretation der Ergebnisse zu erhalten.

Modellauswahl

Zu den Ergebnissen für Bestes Modell ermitteln (binäre Antwort) gehört die Tabelle Modellauswahl. Verwenden Sie die Ergebnisse, um zu vergleichen, wie gut die verschiedenen Modelltypen funktionieren. Ein Sternchen kennzeichnet das beste Modell. Die Tabelle enthält die folgenden Maße der Modellleistung:
Durchschnittliche –Log-Likelihood
Die durchschnittliche –Log-Likelihood ist ein Maß für die Modellgenauigkeit. Kleinere Werte weisen auf eine bessere Anpassung hin.
Fläche unterhalb der ROC-Kurve
Die ROC-Kurve zeigt die Richtig-Positiv-Rate (TPR), auch als Trennschärfe bezeichnet, auf der y-Achse. Die ROC-Kurve zeigt die Falsch-Positiv-Rate (FPR), auch als Fehler 1. Art bezeichnet, auf der x-Achse. Die Fläche unter einer ROC-Kurve gibt an, ob das Modell ein guter Klassifikator ist.
Bei Klassifikationsbäumen nimmt die Fläche unter der ROC-Kurve in der Regel Werte von 0,5 bis 1 an. Je größer die Werte, desto besser ist das Klassifikationsmodell. Wenn das Modell die Klassen perfekt trennen kann, entspricht die Fläche unter der Kurve 1. Wenn das Modell die Klassen nicht besser als eine zufällige Einteilung trennen kann, entspricht die Fläche unter der Kurve 0,5.
Fehlklassifizierungsrate
Die Fehlklassifizierungsrate gibt an, wie oft das Modell die Antwortwerte richtig klassifiziert. Kleinere Werte weisen auf eine bessere Leistung hin.
Copyright © 2024 Minitab, LLC. All rights Reserved.