Sélectionner des graphiques à afficher pour Ajuster le modèle et Découvrir les prédicteurs principaux avec Classification TreeNet®

Module d'analyse prédictive > Classification TreeNet® > Ajuster le modèle > Graphiques

Module d'analyse prédictive > Classification TreeNet® > Découvrir les prédicteurs principaux > Graphiques

Remarque

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

Sélectionnez les graphiques à afficher pour l'analyse.

Le diagramme disponible dépend du critère que vous choisissez pour sélectionner le nombre optimal d'arbres. Le diagramme montre la relation entre le critère et le nombre d'arbres.
  • Diagramme de la moyenne de log de vraisemblance par rapport au nombre d'arbres
  • Diagramme de l'aire sous la courbe ROC par rapport au nombre d'arbres
  • Diagramme de taux de mauvais classement par rapport au nombre d'arbres
Courbe d'importance des variables
La courbe d’importance des variables montre l’importance relative des prédicteurs. Vous pouvez choisir d'afficher toutes les variables importantes ou seulement certaines. Les variables sont importantes lorsqu'elles sont utilisées comme séparateurs principaux.
  • Afficher toutes les variables importantes : par défaut, cette courbe affiche toutes les variables importantes.
  • Afficher un pourcentage de variables importantes : spécifiez le pourcentage de variables importantes à afficher. Saisissez une valeur comprise entre 0 et 100.
  • Afficher toutes les variables de prédiction : affichez tous les prédicteurs, qu'ils constituent ou non des variables importantes.
Courbe de la fonction d'efficacité du récepteur (ROC)
La fonction d'efficacité du récepteur (courbe ROC) montre la capacité d'un modèle à distinguer les classes. La courbe ROC représente le taux de vrais positifs (TPR) en fonction du taux de faux positifs (FPR).
Courbe des gains
La courbe des gains cumulés illustre l’efficacité du modèle dans une partie de la population. La courbe des gains indique le taux de vrais positifs en pourcentage en fonction du pourcentage de la population.
Courbe de lift
La courbe de lift illustre l’efficacité du modèle prédictif. La courbe représente le lift cumulé par rapport à la population en pourcentage et affiche la différence entre les résultats obtenus avec et sans le modèle prédictif. Vous pouvez spécifier Cumulée ou Non cumulée pour la courbe de lift.
Boîte à moustaches de probabilités d'événements
Pour une réponse binaire, la boîte à moustaches des probabilités d'événements présente la loi des probabilités d'événements pour les données de test et d'apprentissage.
Diagramme de dépendance partielle à un prédicteur pour les K variables les plus importantes, K =
Les diagrammes de dépendance partielle à un prédicteur affichent par défaut les valeurs ajustées de la probabilité de succès de la moitié du logarithme pour les 4 principales variables importantes. Vous pouvez augmenter ou diminuer le nombre de variables importantes à représenter. Une fois que vous avez des résultats, cliquez sur Sélectionner plus de prédicteurs à tracer sous les diagrammes d'un prédicteur pour afficher les diagrammes pour plus de prédicteurs.
Diagramme de dépendance partielle à deux prédicteurs pour les K variables les plus importantes, K =
Les diagrammes de dépendance partielle à deux prédicteurs affichent par défaut les valeurs ajustées de la probabilité de succès de la moitié du logarithme pour les 2 principales variables importantes. Vous pouvez augmenter ou diminuer le nombre de variables importantes à représenter. Une fois que vous avez des résultats, cliquez sur Sélectionner plus de prédicteurs à tracer sous les diagrammes de deux prédicteurs pour afficher les diagrammes pour plus de paires de prédicteurs.
Pour les diagrammes avec des prédicteurs de catégorie, Minitab crée un nuage de points des valeurs ajustées. Pour les prédicteurs continus, vous pouvez spécifier les diagrammes Surface, Contour, ou les deux.
En utilisant ce site, vous acceptez l'utilisation de cookies à des fins d'analyse et de personnalisation du contenu.  Lisez notre politique