Angeben der Optionen für Ermitteln von wichtigen Prädiktoren mit TreeNet^® Regression

Wenn Sie Ermitteln von wichtigen Prädiktoren aus dem Menü TreeNet^® Regression wählen, können Sie angeben, wie die Terme eliminiert werden sollen.

Methode

Wählen Sie, ob zuerst die am wenigsten wichtigen oder die wichtigsten Prädiktoren entfernt werden sollen.

Unwichtige Prädiktoren eliminieren

Beseitigen Sie zuerst die am wenigsten wichtigen Prädiktoren, um eine Teilmenge von Prädiktoren für das Modell auszuwählen. Beispielsweise, um einen Satz von 500 Prädiktoren auf die 10 wichtigsten Prädiktoren zu reduzieren. Der Algorithmus entfernt nacheinander die am wenigsten wichtigen Prädiktoren, zeigt Ihnen Ergebnisse an, mit denen Sie Modelle mit unterschiedlicher Anzahl von Prädiktoren vergleichen können, und erzeugt Ergebnisse für den Satz von Prädiktoren mit dem besten Wert des Modellauswahlkriteriums.

Wichtige Prädiktoren zur Bewertung ihrer Auswirkungen eliminieren

Beseitigen Sie zuerst die wichtigsten Prädiktoren, um die Auswirkungen auf das Modell zu bewerten. Verwenden Sie diese Option beispielsweise, um die Änderung des R²-Werts zu sehen, wenn die wichtigsten Prädiktoren das Modell verlassen. Der Algorithmus entfernt die wichtigsten Prädiktoren nacheinander, zeigt Ihnen Ergebnisse an, mit denen Sie die Auswirkungen jedes wichtigen Prädiktors auf das Genauigkeitskriterium bewerten können, und erzeugt Ergebnisse für das Modell mit allen Prädiktoren.

K-Prädiktoren bei jedem Schritt eliminieren

Normalerweise eliminieren Sie immer nur 1 Prädiktor. Wenn Sie eine extrem große Anzahl von Prädiktoren haben und sie davon ausgehen, dass nur wenige Prädiktoren sehr wichtig sind, sollten Sie einen größeren Wert in Betracht ziehen. Sie können beispielsweise mehr Prädiktoren pro Schritt entfernen und die maximale Anzahl von Eliminierungsschritten erhöhen, um mehr Prädiktoren schneller zu entfernen.

Maximale Anzahl von Eliminierungsschritten

Normalerweise entspricht die maximale Anzahl von Eliminierungsschritten der Anzahl der reduzierten Modelle, die Sie untersuchen möchten, aber der Algorithmus stoppt früh, wenn dem Modell die Prädiktoren ausgehen. Wenn Sie die Anzahl erhöhen, eliminieren Sie in der Regel bei jedem Schritt eine kleine Anzahl von Prädiktoren im Verhältnis zur Anzahl der Prädiktoren und möchten fortfahren, damit Sie kleinere Modelle sehen können. Sie können beispielsweise mehr Prädiktoren pro Schritt entfernen und die maximale Anzahl von Eliminierungsschritten erhöhen, um mehr Prädiktoren schneller zu entfernen. Verringern Sie diesen Wert, um weniger alternative Modelle zu bewerten.

Prädiktoren angeben, die zuletzt entfernt werden sollen

Geben Sie eine Teilmenge der Prädiktoren an, die nach dem Rest der Prädiktoren entfernt werden sollen. Beispiel: Sie haben 10 Prädiktoren und geben 3 Prädiktoren an, die zuletzt entfernt werden sollen. Der Algorithmus entfernt die anderen 7 Prädiktoren, bevor er einen der 3 von Ihnen angegebenen Prädiktoren berücksichtigt. Normalerweise geben Sie Prädiktoren an, die zuletzt entfernt werden sollen, wenn Sie ein besonderes Interesse an einem oder mehreren Prädiktoren haben. Beispielsweise können Sie die Prädiktoren angeben, die zuletzt entfernt werden sollen, sodass der Algorithmus ein Modell nur mit diesen Prädiktoren auswertet.

Modellauswahltabelle anzeigen

Wählen Sie aus, ob die Ergebnisse für die Trainingsdaten angezeigt werden sollen.

Für Testdatensatz

Normalerweise zeigen Sie die Ergebnisse für den Testdatensatz an. Der Algorithmus verwendet diese Ergebnisse, um die Variablen zu bestimmen, die entfernt werden sollen. Die Testergebnisse geben an, ob das Modell die Werte der Antwortvariablen für neue Beobachtungen angemessen prognostizieren oder die Beziehungen zwischen der Antwortvariablen und den Prädiktorvariablen adäquat zusammenfassen kann.

Für Test- und Trainingsdatensätze

Die Ergebnisse für die Trainingsdaten sind normalerweise idealer als die tatsächlichen Ergebnisse für neue Daten. Die Trainingsergebnisse sind in der Regel nur als Referenz gedacht.