Optimierung der Hyperparameter Bestes Modell ermitteln (binäre Antwort)

Hinweis

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

Hier finden Sie Definitionen und Anleitungen zur Interpretation der Regressionstabelle.

Nach der Erstellung eines Modells mit Bestes Modell ermitteln (binäre Antwort)können Sie Alternatives Modell auswählen klicken, um andere Modelle zu erkunden. Wenn Sie ein Random Forests^® Modell auswählen, besteht eine Option darin, Hyperparameter für mehrere neue Modelle anzugeben. Wenn Sie Hyperparameter angeben, enthalten die Ergebnisse die Tabelle Optimierung von Hyperparametern. In der Tabelle werden die Kombinationen von Hyperparametern verglichen. Die Ergebnisse, die auf die Tabelle Optimierung von Hyperparametern folgen, beziehen sich auf das Modell mit dem besten Wert des Optimalitätskriteriums, z. B. dem minimalen Durchschnitt – loglikelihood.

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.

Die Fläche unter der ROC-Kurve kann typischerweise Werte von 0,5 bis 1 annehmen. 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.

Prädiktoranzahl für Knotenaufteilung

Diese Zeile gibt die Auswahl für die Anzahl der zu berücksichtigenden Prädiktoren an.

Minimale interne Knotengröße

Die minimale interne Knotengröße gibt die minimale Anzahl von Fällen an, die ein Knoten aufweisen kann, wenn er immer noch in weitere Knoten geteilt werden kann.

Anzahl der Bootstrap-Stichproben

Die Anzahl der Bootstrap-Stichproben gibt die Anzahl der Bäume in der Analyse an.