Especificar la configuración predeterminada para Regresión TreeNet^®

Archivo > Opciones > Analítica predictiva > Regresión TreeNet®

Especificar los métodos predeterminados 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. En general, 6 es un valor que proporciona buen equilibrio entre la velocidad de cálculo y la investigación de 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

Indique un valor de penalización 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: Especifica que no hay penalización.
K = 2: Especifica la penalización más alta.

Penalización por categoría de nivel alto

Introduzca un valor de penalización para predictores categóricos que tengan 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 los predictores con muchos niveles.

0.0 ≤ K ≤ 5.0, por ejemplo:

K = 0: Especifica que no hay penalización.
K = 5: Especifica la penalización más alta.

Especificar la configuración predeterminada para Regresión TreeNet®

Especificar la configuración predeterminada para Regresión TreeNet^®