Indiquer les paramètres par défaut pour Régression TreeNet^®

Fichier > Options > Analyse prédictive > Régression TreeNet®

Spécifiez les méthodes par défaut pour Régression TreeNet^®. Les modifications apportées aux paramètres par défaut s'appliquent jusqu'à une nouvelle modification de ces derniers, même si vous avez quitté Minitab.

Fonction de perte

Sélectionnez la fonction de perte pour créer votre modèle. Vous pouvez comparer les résultats de différentes fonctions pour déterminer le meilleur choix pour votre application.

Erreur quadratique : Il s'agit d'une fonction de perte reposant sur la moyenne. La fonction de perte est compatible avec de nombreuses applications.
Ecart absolu : la fonction d'écart absolu est une fonction de perte reposant sur la médiane.
Huber : la fonction de Huber est un hybride de l'erreur quadratique et de la fonction d'écart absolu.

Avec la fonction de Huber, spécifiez une Valeur de conversion. La fonction de perte débute en tant qu'erreur quadratique. Elle reste l'erreur quadratique tant que la valeur est inférieure à la valeur de conversion. Si l'erreur quadratique dépasse la valeur de conversion, la fonction de perte devient l'écart absolu. Si l'écart absolu se retrouve inférieur à la valeur de conversion, la fonction de perte redevient l'erreur quadratique

Nombre maximal de nœuds terminaux par arbre et Profondeur maximale de l'arbre

Vous pouvez également limiter la taille des arbres. Sélectionnez l'une des options suivantes pour limiter la taille des arbres.

Nombre maximal de nœuds terminaux par arbre : saisissez une valeur entre 2 et 2 000 pour définir le nombre maximal de nœuds terminaux d'un arbre. Habituellement, 6 fournit un bon équilibre entre la vitesse de calcul et l’étude des interactions entre les variables. Une valeur de 2 élimine l'examen des interactions.
Profondeur maximale de l'arbre : saisissez une valeur entre 2 et 1 000 pour définir 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 adéquats.

Pénalité de valeur manquante

Saisissez une valeur de pénalités pour un prédicteur avec des valeurs manquantes Parce qu’il est plus facile d’être un bon diviseur avec moins de données, les prédicteurs avec données manquantes ont un avantage sur les prédicteurs sans données manquantes. Utilisez cette option pour pénaliser les prédicteurs avec données manquantes.

0,0 ≤ K ≤ 2,0, par exemple :

K = 0 : Spécifie aucune pénalité.
K = 2 : Spécifie la pénalité la plus élevée.

Pénalité de catégorie de niveau élevé

Saisissez une valeur de pénalité pour les prédicteurs de catégorie qui ont de nombreuses valeurs. Parce que les prédicteurs de catégorie avec de nombreux niveaux peuvent déformer un arbre en raison de leur puissance de fractionnement accrue, ils ont un avantage sur les prédicteurs avec moins de niveaux. Utilisez cette option pour pénaliser les prédicteurs avec de nombreux niveaux.

0,0 ≤ K ≤ 5,0, par exemple :

K = 0 : Spécifie aucune pénalité.
K = 5 : Spécifie la pénalité la plus élevée.

Indiquer les paramètres par défaut pour Régression TreeNet®

Indiquer les paramètres par défaut pour Régression TreeNet^®