Especificar la configuración predeterminada para imprimir hojas de trabajo Regresión TreeNet®

Archivo > Opciones > Analítica predictiva > Regresión TreeNet®

Especificar el método de validación para Regresión TreeNet® Los cambios que haga en los valores predeterminados se mantendrán vigentes hasta que los cambie de nuevo, incluso después de salir de Minitab.

Loss function
Elija la función de pérdida para crear el modelo. Puede comparar los resultados de varias funciones para determinar la mejor opción para el uso específico.
  • Error al cuadrado: Esta es una función de pérdida basada en la media. Esta función de pérdida funciona bien en muchas aplicaciones.
  • Desviación absoluta: La función de desviación absoluta es una función de pérdida basada en la mediana.
  • Huber: La función Huber es un híbrido del error al cuadrado y la función de desviación absoluta.
Con la función Huber, especifique un Valor de cambio. La función de pérdida se inicia como el error al cuadrado. La función de pérdida sigue siendo el error al cuadrado siempre que el valor sea menor que el valor de conmutación. Si el error al cuadrado supera el valor de conmutación, la función de pérdida pasa a ser la desviación absoluta. Si la desviación absoluta llega a ser menor que el valor de conmutación, las funciones de pérdida vuelven a ser el error al cuadrado.
Máximo de nodos terminales por árbol y Profundidad máxima del árbol
También puede limitar el tamaño de los árboles. Elija una de las siguientes opciones para limitar el tamaño de los árboles.
  • Máximo de nodos terminales por árbol: ingrese un valor entre 2 y 2000 para representar el número máximo de nodos terminales de un árbol. Por lo general, el valor predeterminado de 6 proporciona un buen equilibrio entre la velocidad de cálculo y la investigación de las interacciones entre variables. Un valor de 2 elimina la investigación de las interacciones.
  • Profundidad máxima del árbol: Ingrese un valor entre 2 y 1000 para representar la profundidad máxima de un árbol. El nodo raíz corresponde a una profundidad de 1. En muchas aplicaciones, las profundidades de 4 a 6 proporcionan modelos razonablemente adecuados.
Penalización por valor faltante
Número de sustitutos para un predictor con valores faltantes Debido a que es más fácil ser un buen divisor con menos datos, los predictores con datos faltantes tienen una ventaja sobre los predictores sin datos faltantes. Utilice esta opción para penalizar a los predictores con datos faltantes.
0,0 ≤ K ≤ 2,0, por ejemplo:
  • K > 0 No especifica ninguna penalización.
  • K > 2 Especifica la sanción más alta.
Penalización por categoría de nivel alto
Introduzca un valor de penalización para los predictores categóricos que tienen muchos valores. Debido a que los predictores categóricos con muchos niveles pueden distorsionar un árbol debido a su mayor poder de división, tienen una ventaja sobre los predictores con menos niveles. Utilice esta opción para penalizar a los predictores con muchos niveles.
0,0 ≤ K ≤ 5,0, por ejemplo:
  • K > 0 No especifica ninguna penalización.
  • K > 5 Especifica la sanción más alta.
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política