Interpréter les résultats pour 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.

Les résultats incluent le tableau de sélection du modèle et les résultats du modèle avec la meilleure valeur du critère de précision pour l’analyse, tel que la moyenne minimale –logvraisemblance. Accédez au type de modèle correspondant pour obtenir des conseils sur l’interprétation des résultats.

Sélection du modèle

Les résultats de pour incluent le tableau de Découvrir le meilleur modèle (réponse binaire) sélection du modèle. Utilisez les résultats pour comparer les performances des différents types de modèles. Un astérisque identifie le meilleur modèle. Le tableau comprend les mesures suivantes de la performance du modèle :
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.
Zone située 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.
Pour les arbres de classification, 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, la zone située 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.