Optimisation des hyperparamètres Découvrir le meilleur modèle (réponse binaire)

Remarque

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

Trouvez des définitions et des pistes d'interprétation pour le tableau de méthode.

Après la création d’un modèle avec Découvrir le meilleur modèle (réponse binaire), vous pouvez cliquer pour explorer Sélectionner un autre arbre d’autres modèles. Si vous sélectionnez un modèle Random Forests®, une option consiste à spécifier des hyperparamètres pour s’adapter à plusieurs nouveaux modèles. Si vous spécifiez des hyperparamètres, les résultats incluent le tableau Optimisation des hyperparamètres. Le tableau compare les combinaisons d’hyperparamètres. Les résultats qui suivent le tableau Optimisation des hyperparamètres concernent le modèle avec la meilleure valeur du critère d’optimalité, telle que la moyenne minimale –loglikelihood.

Moyenne du log négatif de vraisemblance

La moyenne du log négatif de vraisemblance est une mesure de la précision du modèle. Des valeurs plus petites indiquent un meilleur ajustement.

Aire sous la courbe ROC

La courbe ROC représente le taux de vrais positifs (TPR), également appelé puissance, sur l'axe Y. La courbe ROC représente le taux de faux positifs (FPR), également appelé erreur de type 1, sur l'axe X. L'aire sous une courbe ROC indique si le modèle est un bon classificateur.

L'aire sous les valeurs de la courbe ROC varie généralement de 0,5 à 1. Plus les valeurs sont élevées, meilleure est la classification du modèle. Lorsque le modèle peut parfaitement séparer les classes, l'aire sous la courbe est de 1. Lorsque le modèle ne peut pas séparer les classes plus efficacement qu'une affectation aléatoire, l'aire sous la courbe est de 0,5.

Taux de mauvais classement

Le taux de mauvais classement indique la fréquence à laquelle le modèle classe correctement les valeurs de réponse. Des valeurs plus petites indiquent de meilleures performances.

Nombre de prédicteurs pour le fractionnement de nœud

Cette ligne indique le choix du nombre de prédicteurs à prendre en compte.

Taille minimale du nœud interne

La taille minimale du nœud interne est le nombre minimal de cas que peut avoir un nœud tout en pouvant se séparer en d'autres nœuds.

Nombre d'échantillons bootstrap

Le nombre d’échantillons bootstrap indique le nombre d’arbres dans l'analyse.

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