Résumé du modèle pour Régression CART^®

Le R² est le pourcentage de variation dans la réponse que le modèle explique. Les valeurs aberrantes ont un plus grand effet sur le R² que sur le MAD et le MAPE.

Lorsque vous utilisez une méthode de validation, le tableau inclut une statistique R² pour l’ensemble de données d’entraînement et une statistique R² pour la méthode de validation. Lorsque la méthode de validation est une validation croisée k-fold, la validation utilise chaque pli lorsque la construction de l’arbre exclut ce plongement. La statistique R² issue des résultats de validation est généralement une meilleure mesure du fonctionnement du modèle pour les nouvelles données.

Interprétation

Utilisez le R² pour déterminer la qualité d'ajustement offert par le modèle. Plus la valeur de R² est élevée, plus l'ajustement offert par le modèle est bon. R² est toujours compris entre 0% et 100%.

Vous pouvez illustrer graphiquement la signification des différentes valeurs de R². Le premier graphique illustre un modèle de régression simple qui explique 85,5% de la variation de la réponse. Le deuxième graphique illustre un modèle qui explique 22,6 % de la variation de la réponse. Plus la variation expliquée par le modèle est grande, plus les points de données se rapprochent des valeurs ajustées. Théoriquement, si un modèle peut expliquer 100 % de la variation, les valeurs ajustées sont toujours égales aux valeurs observées et tous les points de données se situent sur la ligne y =x.

Un R² de validation nettement inférieur au R² d'apprentissage indique que l'arbre peut ne pas prédire les valeurs de réponse pour les nouveaux cas aussi bien qu'il ajuste l'ensemble de données actuel.

La racine de l'erreur quadratique moyenne (RMSE) mesure l'exactitude de l'arbre. Les valeurs aberrantes ont un plus grand effet sur la RMSE que sur le MAD et le MAPE.

Lorsque vous utilisez une méthode de validation, la table inclut une statistique RMSE pour l’ensemble de données d’entraînement et une statistique RMSE pour les résultats de validation. Lorsque la méthode de validation est une validation croisée k-fold, la validation utilise chaque pli lorsque la construction de l’arbre exclut ce plongement. La statistique RMSE de validation est généralement une meilleure mesure du fonctionnement du modèle pour les nouvelles données.

L'erreur quadratique moyenne (MSE) mesure l'exactitude de l'arbre. Les valeurs aberrantes ont un plus grand effet sur la MSE que sur le MAD et le MAPE.

Lorsque vous utilisez une méthode de validation, la table inclut une statistique MSE pour l’ensemble de données d’entraînement et une statistique MSE pour les résultats de validation. Lorsque la méthode de validation est une validation croisée k-fold, la validation utilise chaque fold lorsque la construction du modèle exclut ce fold. La statistique MSE de validation est généralement une meilleure mesure du fonctionnement du modèle pour les nouvelles données.

L'écart absolu moyen (MAD) exprime l'exactitude dans les mêmes unités que les données, ce qui permet de conceptualiser la quantité d'erreurs. Les valeurs aberrantes ont moins d'effet sur le MAD que sur le R², la RMSE et la MSE.

Lorsque vous utilisez une méthode de validation, la table inclut une statistique MAD pour l’ensemble de données d’entraînement et une statistique MAD pour les résultats de validation. Lorsque la méthode de validation est une validation croisée k-fold, la validation utilise chaque fold lorsque la construction du modèle exclut ce fold. La statistique MAD de validation est généralement une meilleure mesure du fonctionnement du modèle pour les nouvelles données.

Le pourcentage d'erreur absolue moyen (MAPE) exprime l'exactitude en pourcentage d'erreur. Étant donné que le MAPE est un pourcentage, il peut être plus facile à comprendre que les autres statistiques de mesure de l'exactitude. Par exemple, si le MAPE est de 0,05 en moyenne, le rapport moyen entre l'erreur ajustée et la valeur réelle est de 5 % dans tous les cas. Les valeurs aberrantes ont moins d'effet sur le MAPE que sur le R², la RMSE et la MSE.

Cependant, parfois, vous pouvez voir une valeur de MAPE très grande, même si l'arbre semble bien ajuster les données. Examinez le diagramme de la valeur de réponse ajustée par rapport à la valeur de réponse réelle pour voir si les valeurs de données sont proches de 0. Étant donné que le MAPE divise l'erreur absolue par les données réelles, les valeurs proches de 0 peuvent grandement augmenter le MAPE.

Lorsque vous utilisez une méthode de validation, la table inclut une statistique MAPE pour l’ensemble de données d’entraînement et une statistique MAPE pour les résultats de validation. Lorsque la méthode de validation est une validation croisée k-fold, la validation utilise chaque fold lorsque la construction du modèle exclut ce fold. La statistique MAPE de validation est généralement une meilleure mesure du fonctionnement du modèle pour les nouvelles données.