Méthodes et formules pour la courbe de lift dansAjuster le modèle et Découvrir les prédicteurs principaux avec Classification TreeNet®

Remarque

Cette commande est disponible avec le Module d'analyse prédictive. Cliquez ici pour plus d'informations sur l'activation du module.

La procédure pour les points de la courbe de lift dépend de la méthode de validation. Pour une variable de réponse multinomiale, Minitab affiche plusieurs courbes qui traitent chaque classe une à une comme l’événement.

Ensemble d'apprentissage ou aucune validation

Chaque point de la courbe d'un ensemble d'apprentissage représente une probabilité ajustée du modèle. La probabilité d’événement la plus élevée est le premier point sur la courbe et apparaît le plus à gauche. Les autres probabilités d'événements sont en ordre décroissant.

Les points de la courbe de lift non cumulé ne suivent pas le calcul des points sur le graphique de courbe ROC. Au lieu de cela, la coordonnée y de la courbe de lift non cumulé est (taux positif vrai non cumulé en pourcentage / % de la population à la coordonnée x). Le calcul du taux positif réel est exactement le même que pour le graphique de courbe ROC.

La coordonnée x du graphique a la forme suivante :

est le nombre de lignes où la probabilité ajustée est supérieure au seuil et N est le nombre total de lignes. Pour plus de détails sur les seuil, reportez-vous à Méthodes et formules pour la courbe d'efficacité du récepteur (ROC) pour Ajuster le modèle et Découvrir les prédicteurs principaux avec Classification TreeNet®.

Ensemble de test distinct

Procédez comme pour le cas d'un ensemble d'apprentissage, mais calculez les probabilités d'événements à partir des cas pour l'ensemble de test.

Test avec validation croisée de K-ensemble(s)

Suivez les mêmes étapes que pour la procédure de l'ensemble de données d'apprentissage, mais calculez les probabilités d'événements à partir des cas pour les données à validation croisée.

En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique