Al elegir Descubrir predictores
clave del menú Clasificación
TreeNet®, puede especificar cómo eliminar los términos.
- Método
- Elija si desea eliminar primero los predictores menos importantes o los más importantes.
- Eliminar predictores sin importancia
- Eliminar primero los predictores menos importantes para seleccionar un subconjunto de predictores que se utilizarán para el modelo. Por ejemplo, para reducir un conjunto de 500 predictores a los 10 predictores más importantes. El algoritmo elimina los predictores menos importantes de forma escalonada, muestra los resultados que le permiten comparar modelos con diferentes números de predictores y produce resultados para el conjunto de predictores con el mejor valor del criterio de selección de modelos.
- Eliminar
predictores importantes para evaluar su impacto
- Eliminar primero los predictores más importantes para evaluar el efecto en el modelo. Por ejemplo, utilice esta opción para ver el cambio en el valor de verosimilitud promedio a medida que los predictores más importantes abandonan el modelo. El algoritmo elimina los predictores más importantes de forma escalonada, muestra los resultados que le permiten comparar modelos con diferentes números de predictores y produce resultados para el modelo con todos los predictores.
- Eliminar K
predictores en cada paso
- Por lo general, se elimina 1 predictor a la vez. Si tiene un número extremadamente grande de predictores y espera que pocos predictores sean muy importantes, considere un valor mayor. Por ejemplo, si tiene 1,000 predictores, espera que 100 predictores sean muy importantes y desea que el análisis alcance esos 100 predictores en 20 pasos, establezca este valor en 45.
- Número
máximo de pasos de eliminación
- Normalmente, el número máximo de pasos de eliminación es el número de modelos reducidos que desea examinar, pero el algoritmo se detiene antes si el modelo se queda sin predictores. Cuando aumenta el número, normalmente se elimina un pequeño número de predictores en cada paso relacionado con el número de predictores y se desea continuar hasta ver modelos más pequeños. Por ejemplo, si tiene 100 predictores, elimine 1 predictor en cada paso y si desea ver un modelo con 10 predictores, establezca este valor en 90. Disminuya este valor para evaluar menos modelos alternativos.
- Especificar los predictores que se elimináran
en último lugar
- Especifique un subconjunto de predictores que se eliminarán después del resto de los predictores. Por ejemplo, tiene 10 predictores y especifica 3 predictores para eliminar el último. El algoritmo elimina los otros 7 predictores antes de considerar cualquiera de los 3 predictores que especifique. Normalmente, se especifican los predictores que se eliminarán al último cuando un predictor tiene ventajas especiales. Por ejemplo, decide especificar un predictor para el que puede recopilar los datos en cuestión de minutos porque la recopilación de datos para otros predictores tarda días.
- Mostrar tabla de selección de modelo
- Elija si desea mostrar los resultados de los datos de entrenamiento.
- Para el conjunto
de prueba
- Normalmente, se muestran los resultados del conjunto de prueba. El algoritmo utiliza estos resultados para determinar qué variables eliminar. Los resultados de prueba indican si el modelo puede predecir adecuadamente los valores de respuesta para nuevas observaciones o resumir correctamente las relaciones entre la respuesta y las variables predictoras.
- Para
los conjuntos de prueba y entrenamiento
- Los resultados de entrenamiento suelen ser más ideales que los resultados reales para los datos nuevos. Los resultados de entrenamiento son solo de referencia.