Seleccionar las gráficas que se mostrarán para Clasificación Random Forests®

Módulo de análisis predictivo > Clasificación Random Forests® > Gráficas
Nota

Este comando está disponible con el Módulo de análisis predictivo. Haga doble clic aquí para obtener información sobre cómo activar el módulo.

Seleccione las gráficas que desea mostrar para el análisis.

Gráfica de tasa de clasificación errónea vs. número de árboles
La gráfica de tasa de clasificaciones erróneas vs. número de árboles muestra la relación entre los errores de clasificación y la cantidad de árboles. Si proporciona un conjunto de prueba por separado, la gráfica incluirá dos curvas para los datos “out-of-bag” y para el conjunto de prueba.
Gráfica de importancia de las variables
La gráfica de importancia de la variable muestra la importancia relativa de los predictores. Puede elegir si desea mostrar todas o algunas de las variables importantes. Las variables aumentan en importancia cuando dividen un nodo en cualquier árbol del análisis.
  • Todas las variables importantes: De forma predeterminada, esta gráfica muestra todas las variables importantes.
  • Un porcentaje de las variables importantes: Especifique el porcentaje de variables importantes que se mostrarán. Ingrese un valor entre 0 y 100.
  • Todas las variables predictoras: Muestre todos los predictores sean o no variables importantes.
Metodo de clasificación
Seleccione cómo Minitab calcula las puntuaciones de importancia relativa para las variables en la gráfica de importancia de las variables. Para Permutación, Minitab evalúa qué tanto empeora el rendimiento del modelo cuando se vuelve a validar el modelo con los valores permutados de una variable en la gráfica. Para Gini, Minitab suma las mejoras que la variable realiza para todos los árboles. Permutación es el método predeterminado para conjuntos de datos con 5000 o menos registros. Considere usar Permutación para conjuntos de datos más grandes cuando el análisis no tarde demasiado y la identificación de los predictores importantes sea un objetivo importante.
Curva Característica Operativa del Receptor (ROC)
La curva de característica operativa del receptor (ROC) muestra la capacidad de un modelo para distinguir entre clases. La curva ROC representa la tasa de verdaderos positivos (TPR) con respecto a la tasa de falsos positivos (FPR).
Gráfica de ganancia
La gráfica de ganancia acumulada ilustra la efectividad del modelo en una parte de la población. La gráfica de ganancia traza la tasa positiva real en porcentaje frente a % de población.
Gráfica de elevación
La gráfica de elevación ilustra la eficacia del modelo predictivo. La gráfica representa la elevación acumulada versus el % de población y muestra la diferencia entre los resultados obtenidos con y sin el modelo predictivo. Puede especificar Acumulado o No acumulado para la gráfica de elevación.
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política