Ejemplo de Descubrir predictores clave para Regresión TreeNet^®

Interpretar los resultados

Para este análisis, Minitab Statistical Software compara 20 modelos. El asterisco de la columna Modelo de la tabla Evaluación del modelo muestra que el modelo con el mayor valor de la estadística de R² con validación cruzada es el modelo 16. El modelo 16 contiene 5 predictores importantes. Los resultados que siguen a la tabla de evaluación del modelo son para el modelo 16.

Aunque el modelo 16 tiene el mayor valor de la estadística de R² con validación cruzada, otros modelos tienen valores similares. El equipo puede hacer clic en Seleccione un modelo alternativo para generar resultados para otros modelos de la tabla Evaluación de modelos.

En los resultados del Modelo 16, la gráfica de R cuadrada vs. número de árboles muestra que el número óptimo de árboles es igual al número de árboles del análisis, 300. El equipo puede hacer clic en Ajustar hiperparámetros para identificar un mejor modelo para aumentar el número de árboles y ver si los cambios en otros hiperparámetros mejoran el rendimiento del modelo.

La gráfica Importancia relativa de las variables presenta los predictores en el orden de su efecto en la mejora del modelo cuando se realizan divisiones en un predictor sobre la secuencia de árboles. La variable predictora más importante es Temperatura del molde. Si la importancia de la variable predictora más importante, Temperatura del molde, es del 100%, entonces la siguiente variable importante, Máquina, tiene una contribución del 58.7%. Esto significa que la máquina que inyecta es 58.7% tan importante como la temperatura al interior del molde.

Utilice las gráficas de dependencia parcial para obtener información sobre cómo las variables o pares de variables importantes afectan la respuesta pronosticada. Los valores de respuesta en la escala de 1/2 logaritmo son las predicciones a partir del modelo. Las gráficas de dependencia parcial muestran si la relación entre la respuesta y una variable es lineal, monótona o más compleja.

Las gráficas de dependencia parcial de un predictor muestran que la temperatura del molde, la presión de la inyección y la temperatura de enfriamiento tienen una relación positiva con la resistencia. La gráfica de las máquinas muestra las diferencias entre máquinas, donde la máquina 1 fabrica las piezas más débiles en promedio y la máquina 4 fabrica las piezas más resistentes en promedio. El equipo observa que la temperatura del molde y la máquina tienen la interacción más fuerte en los datos, por lo que observan la gráfica de dependencia parcial de dos predictores para comprender aún más cómo estas variables afectan la resistencia. El equipo puede hacer clic en Select More Predictors to Plot para crear gráficas para otras variables, como Temperatura de inyección.

La gráfica de dependencia parcial de dos predictores de la temperatura del molde y la máquina proveen una idea de la diferencia en la resistencia promedio de las máquinas. Una razón es que los datos de la máquina 1 no incluyen tantas observaciones a las temperaturas más altas del molde como las otras máquinas. El equipo aún podría decidir buscar otras razones por las que las máquinas producen diferentes resistencias cuando otras configuraciones son las mismas. El equipo puede hacer clic en Select More Predictors to Plot para crear gráficas para otros pares de variables.