Sélectionnez un modèle alternatif à partir de Découvrir le meilleur modèle (réponse binaire)

Exécutez Module d'analyse prédictive > Auto-apprentissage par la machine automatisé > Découvrir le meilleur modèle (réponse binaire). Cliquez sur le bouton Sélectionner un autre modèle après le tableau Sélection du modèle.
Remarque

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

Présentation

Lorsque vous utilisez Découvrir le meilleur modèle (réponse binaire) pour supprimer les prédicteurs les moins importants, Minitab Statistical Software produit des résultats pour le modèle ayant la meilleure valeur du critère de précision pour l’analyse, tels que la moyenne du log négatif de vraisemblance minimale. Minitab vous permet d’explorer les résultats d’autres modèles et d’autres types de modèles. Par exemple, si un autre type de modèle produit une précision de prédiction similaire, vous pouvez déterminer si les mêmes prédicteurs sont importants dans chaque type de modèle.

Le nom du sujet dépend du type d'application. Pour les modèle de régression logistique binaire et CART®, vous pouvez examiner les résultats du meilleur modèle de la recherche. Pour random Forests® et TreeNet® modèles, vous pouvez examiner les résultats de n’importe lequel des modèles de la recherche. Pour les modèles Random Forests® et TreeNet®, vous pouvez également régler les hyperparamètres pour rechercher des combinaisons qui produisent des valeurs encore meilleures que les hyperparamètres dans la recherche.

Regression Random Forests®

Sélectionnez un modèle existant pour produire des résultats pour l’un des modèles de la recherche. Spécifiez des hyperparamètres pour s’adapter aux nouveaux modèles afin de rechercher des combinaisons d’hyperparamètres qui améliorent les performances du modèle.

Sélectionner un modèle existant

Dans la recherche du meilleur type de modèle, l’analyse produit jusqu’à 3 forêts aléatoires ® modèles avec différentes tailles minimales pour les nœuds internes. Sélectionnez un modèle dans la liste et Afficher les résultats cliquez pour produire des résultats pour ce modèle.

Spécifier des hyperparamètres pour ajuster de nouveaux modèles

L’analyse nécessite que vous spécifiiez les 3 premiers hyperparamètres. Spécifier un effectif d'échantillon bootstrap inférieur à la taille des données d'apprentissage Cliquez Afficher les résultats pour évaluer les hyperparamètres des nouveaux modèles. Les résultats comprennent un tableau qui compare les critères d’optimalité pour les différentes combinaisons d’hyperparamètres et les résultats du modèle pour le modèle avec la meilleure valeur du critère d’optimalité, comme la moyenne minimale –loglikelihood.
Nombre de prédicteurs pour la partition des nœuds
Spécifiez le nombre de prédicteurs à prendre en compte pour chaque partition de nœud. Généralement, l'analyse fonctionne bien lorsque vous tenez compte de la racine carrée du nombre total de prédicteurs. Toutefois, certains ensembles de données disposent d'associations parmi les prédicteurs qui conduisent à une amélioration des performances du modèle lorsque l'analyse tient compte d'un plus grand ou d'un plus petit nombre de prédicteurs pour chaque nœud.
Nombre minimal de cas pour diviser un nœud interne
Saisissez le nombre minimal de cas qu'un nœud peut avoir et en combien de nœuds il peut encore être divisé. Par défaut, la recherche d’origine inclut les chiffres 2, 5 et 8.
Nombre d'échantillons bootstrap pour cultiver les arbres
Saisissez une valeur pour déterminer le nombre d'échantillons bootstrap et le nombre d'arbres générés par l'analyse. Saisissez une valeur comprise entre 3 et 3000.
Spécifier un effectif d'échantillon bootstrap inférieur à la taille des données d'apprentissage
Sélectionnez cette option pour saisir une valeur qui définit la taille de l'échantillon bootstrap. Vous devez saisir une valeur supérieure ou égale à 5. Si vous saisissez une taille supérieure à la taille des données d'apprentissage, Minitab utilise une taille d'échantillon égale à celle des données d'apprentissage.

TreeNet®

Sélectionnez un modèle existant pour produire des résultats pour l’un des modèles de la recherche. Spécifiez des hyperparamètres pour s’adapter aux nouveaux modèles afin de rechercher des combinaisons d’hyperparamètres qui améliorent les performances du modèle.

Sélectionner un modèle existant

Dans la recherche du meilleur type de modèle, l’analyse produit un modèle TreeNet® pour chaque combinaison d’hyperparamètres. Sélectionnez un modèle dans la liste et Afficher les résultats cliquez pour produire des résultats pour ce modèle.

Spécifier des hyperparamètres pour ajuster de nouveaux modèles

L’analyse nécessite que vous spécifiiez tous les hyperparamètres. Cliquez Afficher les résultats pour évaluer les hyperparamètres des nouveaux modèles. Les résultats comprennent un tableau qui compare les critères d’optimalité pour les différentes combinaisons d’hyperparamètres et les résultats pour le modèle avec la meilleure valeur du critère de précision pour l’analyse, comme la moyenne minimale –loglikelihood.

Taux d'apprentissage
Entrez jusqu'à 10 valeurs. Les valeurs éligibles vont de 0,0001 à 1.
Fraction de sous-échantillon
Entrez jusqu'à 10 valeurs. Les valeurs éligibles sont supérieures à 0 et inférieures ou égales à 1.
Nombre maximal de nœuds terminaux par arbre et Profondeur maximale de l'arbre
Choisissez d’évaluer le Nombre maximal de nœuds terminaux par arbre ou le Profondeur maximale de l'arbre. Habituellement, l’un ou l’autre choix est un moyen raisonnable d’identifier un modèle utile et le choix est une préférence individuelle.
Maximum de nœuds terminaux
Entrez jusqu'à 3 valeurs. Les valeurs éligibles sont entre 2 et 2000. Une valeur de 2 élimine l'examen des interactions.
Profondeur maximale de l'arbre
Entrez jusqu'à 3 valeurs. Les valeurs éligibles sont entre 2 et 1000 pour représenter la profondeur maximale d'un arbre. Le nœud racine correspond à une profondeur de 1. Dans de nombreuses applications, les profondeurs de 4 à 6 donnent des modèles relativement bons.
Nombre de prédicteurs pour la partition des nœuds
Entrez jusqu'à 3 valeurs. Les valeurs admissibles sont comprises entre 1 et le nombre total de prédicteurs. Généralement, l'analyse fonctionne bien lorsque vous tenez compte de la racine carrée du nombre total de prédicteurs. Toutefois, certains ensembles de données disposent d'associations parmi les prédicteurs qui conduisent à une amélioration des performances du modèle lorsque l'analyse tient compte d'un plus grand ou d'un plus petit nombre de prédicteurs pour chaque nœud.
Nombre d'arbres
Saisissez une valeur entre 1 et 5 000 pour définir le nombre maximal d'arbres à créer. La valeur par défaut de 300 fournit généralement des résultats utiles pour l’évaluation des valeurs des hyperparamètres.
Si un ou plusieurs modèles d’intérêt ont un certain nombre d’arbres proches du nombre d’arbres que vous spécifiez, alors envisagez d'augmenter le nombre d’arbres. Si le nombre d’arbres est plus proche du nombre maximal, une augmentation du nombre d’arbres est plus susceptible d’améliorer les performances du modèle.

Régression logistique

Sélectionnez Résultats pour un modèle de régression logistique et Afficher les résultats cliquez pour produire les résultats du meilleur modèle de régression logistique binaire à partir de la recherche du meilleur type de modèle.

CART®

Sélectionnez Résultats pour le modèle CART® et Afficher les résultats cliquez pour produire les résultats du meilleur modèle CART® à partir de la recherche du meilleur type de modèle.

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