Partielle Abhängigkeitsplots für Anpassen des Modells und Ermitteln von wichtigen Prädiktoren mit TreeNet®-Klassifikation

Hinweis

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

Verwenden Sie die Diagramme der partiellen Abhängigkeit, um zu erfahren, wie sich die wichtigen Variablen oder Variablenpaare auf die geschätzten Ereigniswahrscheinlichkeiten der prognostizierten Werte der Antwortvariablen auswirken.
Minitab stellt den Randmittelwert der 1/2 logarithmierten Chance im Vergleich zu jedem Prädiktor dar, um den Bereich von Prädiktorwerten zu identifizieren, die zu höheren Ereigniswahrscheinlichkeiten führen Diese 1:1-Beziehung zwischen Anpassung = ½ Log (Ereigniswahrscheinlichkeit/1 – Ereigniswahrscheinlichkeit) und der Ereigniswahrscheinlichkeit lässt sich leicht interpretieren. Beispielsweise lasst sich im Diagramm ablesen: Wenn die Anpassung = 0 ist, dann ist die Ereigniswahrscheinlichkeit = 0,5.
Hinweis

Chance = Ereigniswahrscheinlichkeit / (1 – Ereigniswahrscheinlichkeit)

Um weitere partielle Abhängigkeitsdiagramme hinzuzufügen, wählen Sie Diagramme bei einem Prädiktor oder Diagramme bei zwei Prädiktoren in den Ergebnissen aus.

Diagramm der partiellen Abhängigkeit bei einem Prädiktor

Das Diagramm der partiellen Abhängigkeit bei einem Prädiktor zeigt, wie sich die durchschnittliche Anpassung, die die Ereigniswahrscheinlichkeit darstellt, bei Änderungen der Prädiktorstufen ändert.

Dieses Diagramm zeigt, dass die Wahrscheinlichkeit eines Herzerkrankungsereignisses steigt, wenn sich der Fehlertyp von „Normal“ zu „Fest“ zu „Reversibel“ ändert. In der letzten Kategorie fehlen die Daten für diese Variable.

Das zweite Diagramm zeigt, dass die höchste Wahrscheinlichkeit eines Herzerkrankungsereignisses bei einer Anzahl der Hauptgefäße, die bei der Fluoroskopie eingefärbt wurden, zwischen 1 und 3 vorliegt.

Das dritte Diagramm zeigt, dass bei dem Brustschmerztyp 4 die durchschnittliche 1/2 logarithmierte Chance des Auftretens einer Herzerkrankung von etwa –0,05 bis –0,03 auf 0,03 ansteigt.

Das vierte Diagramm zeigt, dass die Wahrscheinlichkeit einer Herzerkrankung ansteigt, je höher der alte Spitzenwert ist. Dies gilt, bis der Wert 3 erreicht, und anschließend ist die Wahrscheinlichkeit flach.

Diagramm der partiellen Abhängigkeit bei zwei Prädiktoren

Das Diagramm der partiellen Abhängigkeit bei zwei Prädiktoren zeigt die Wechselwirkungseffekte der abgebildeten Prädiktoren auf die Anpassungen. Aufgrund der Beziehung zwischen den Anpassungen und der Ereigniswahrscheinlichkeit können Sie dieses Diagramm verwenden, um optimale Prädiktorwerte zu ermitteln. Die Ereigniswahrscheinlichkeit steigt monoton an, wenn die Anpassungen zunehmen.

Das Diagramm der partiellen Abhängigkeit bei zwei Prädiktoren zeigt, welche Änderung der Werte der Antwortvariablen bei Änderungen der Prädiktorstufen von zwei wichtigen Variablen auftreten wird. Für kategoriale Prädiktoren zeigt Minitab ein Matrixplot der verschiedenen Beziehungen auf den verschiedenen Stufen der Prädiktoren an. Für stetige Prädiktoren zeigt Minitab ein Wirkungsflächendiagramm oder ein Konturdiagramm dieser Beziehung an.

Die Wirkungsflächen- und Konturdiagramme veranschaulichen, dass die höchste Wahrscheinlichkeit für eine positive Bewertung bei einer maximalen Herzfrequenz zwischen 100 und 120 und einem alten Spitzenwert zwischen 5 und 6 liegt.