Seleccione los valores de hiperparámetro que se van a evaluar a partir de los resultados de Clasificación TreeNet^®

El rendimiento de los modelos TreeNet^® suele ser sensible a los valores de la tasa de aprendizaje, la fracción de submuestra y la complejidad de los árboles individuales que forman el modelo. En los resultados de un modelo, haga clic Ajustar hiperparámetros para evaluar varios valores de estos hiperparámetros para saber qué combinación produce los mejores valores de un criterio de precisión, como el promedio –loglikelihood. Los mejores valores de estos hiperparámetros tienen el potencial de mejorar significativamente la precisión de la predicción, por lo que la exploración de diferentes valores es un paso común en el análisis.

También puede ajustar el número de árboles que incluye el modelo. Por lo general, el análisis funciona bien cuando se consideran todos los predictores en cada nodo. Sin embargo, algunos conjuntos de datos tienen asociaciones entre los predictores que conducen a un mejor rendimiento del modelo cuando el análisis considera un subconjunto aleatorio diferente de predictores en cada nodo.

En general, 300 árboles son suficientes para distinguir los valores de los hiperparámetros. Por lo general, se aumenta el número de árboles cuando el número óptimo de árboles para uno o varios modelos de interés está cerca del número máximo de árboles. Si el número de árboles está más cerca del número máximo, es más probable que un aumento en el número de árboles mejore el rendimiento del modelo.

Especifique uno o varios valores para cada hiperparámetro que se va a evaluar. El análisis evalúa los hiperparámetros para encontrar la combinación con el mejor valor del criterio de precisión. Si no especifica ningún valor para un hiperparámetro, la evaluación utiliza el valor de ese hiperparámetro del modelo en los resultados. Si la respuesta es binaria y el modelo original especifica la proporción de eventos y no eventos que se van a muestrear, la evaluación siempre utiliza las proporciones del modelo original.

Introduzca hasta 3 valores. Los valores elegibles se encuentran entre 1 y el número total de predictores. En general, el análisis funciona bien cuando se considera el número total de predictores. Sin embargo, algunos conjuntos de datos tienen asociaciones entre los predictores que generan mejor rendimiento del modelo cuando el análisis considera un número menor de predictores para cada nodo.

Ingrese un valor entre 1 y 5000 para especificar el número máximo de árboles que se generarán. El valor predeterminado de 300 generalmente proporciona resultados útiles para la evaluación de los valores de hiperparámetros.

Si uno o más modelos de interés tienen un número de árboles cercano al número de árboles que especificó, entonces considere si desea incrementar el número de árboles.. Si el número de árboles está más cerca del número máximo, es más probable que un aumento en el número de árboles mejore el rendimiento del modelo.

Después de especificar los valores que se van a examinar, haga clic en Mostrar resultados. En un nuevo conjunto de resultados, Minitab produce una tabla que compara el criterio de precisión para las combinaciones de hiperparámetros y los resultados para el modelo con el mejor valor del criterio de precisión.

Minitab recrea las mismas tablas y gráficas para el nuevo modelo que para el modelo original. Las tablas y gráficos del nuevo modelo se encuentran en un nuevo conjunto de resultados. El almacenamiento es el mismo que para el análisis original. Las columnas de almacenamiento están en la misma hoja de cálculo. Por ejemplo, si el análisis original almacenó los valores ajustados en una columna titulada "Ajustar", el nuevo análisis titula una columna vacía "Fit_1" y almacena los valores ajustados.