Remarque
Cette commande est disponible avec la commande Module d'analyse prédictive. Cliquez ici pour plus d’informations sur la façon d’activer le module.
Recherche du meilleur type de modèle
Les chercheurs d’un système de santé collectent des données auprès de leurs cliniques médicales régionales. L’équipe de recherche s’intéresse en particulier aux données issues des premiers examens médicaux de patients malades. À l’issue des premiers examens, les médecins attribuent à chaque patient une note en fonction de la gravité de sa maladie. Les chercheurs veulent développer un court questionnaire pour aider à prioriser les patients les plus malades avant l’examen par un médecin. En consultant des experts en la matière et en explorant initialement les données, l’équipe sélectionne 8 variables pour prédire le score de gravité. Les chercheurs veulent déterminer le meilleur type de modèle pour prédire le score de gravité avant d’affiner davantage le modèle.
Les chercheurs comparent Découvrir le meilleur modèle (réponse continue) les performances prédictives de 5 types de modèles : la régression multiple, TreeNet®, Random Forests®, CART® et MARS®. L’équipe prévoit d’explorer davantage le type de modèle offrant les meilleures performances prédictives.
- Ouvrez les données d’échantillonnage, Maladie.mtw.
- Choisissez .
- Dans Réponse, entrez 'Score de gravité de la maladie'.
- Dans Prédicteurs continus, entrez 'Nombre de symptômes maintenant'.
- Dans Prédicteurs de catégorie, entrez 'Haute production de mucosités'-'Limites aux activités normales'.
- Cliquez sur OK.
Interpréter les résultats
Le tableau Sélection de modèle compare les performances des types de modèles. Le modèle de régression multiple a la valeur maximale de R2. Les résultats qui suivent concernent le meilleur modèle de régression multiple.
Pour déterminer si l’association entre la réponse et chaque terme du modèle est statistiquement significative, comparez la valeur p du terme à votre niveau de signification pour évaluer l’hypothèse nulle. L’hypothèse nulle est qu’il n’y a pas d’association entre le terme et la réponse. Habituellement, un niveau de signification (noté α ou alpha) de 0,05 fonctionne bien. Un niveau de signification de 0,05 indique un risque de 5 % de conclure à l’existence d’une association lorsqu’il n’y a pas d’association réelle. Dans ces résultats, deux des termes d’interaction ont des valeurs p supérieures à 0,05 : Essoufflement sévère*Maux de tête sévères et Maux de tête sévères*Troubles graves du sommeil. Lorsque les chercheurs exploreront d’autres modèles de régression multiple, ils utiliseront des mesures de performance du modèle et des graphiques résiduels pour explorer les effets de l’inclusion de ces termes dans le modèle.
Le tableau récapitulatif du modèle montre que l’entraînement R2 et le test R2 sont tous deux d’environ 91 %. La racine de test de l’erreur quadratique moyenne (EQM), qui représente l’écart entre les valeurs de données et les valeurs ajustées, est d’environ 4. Étant donné que le RMSE est petit sur l’échelle du score de maladie, les chercheurs sont optimistes qu’un petit nombre de questions constitue une information suffisante pour aider à prioriser les patients.
Le tableau des ajustements et des diagnostics pour les informations inhabituelles montre les points de données qui ne suivent pas bien l’équation de régression proposée. Il s’agit des ajustements et des diagnostics à partir de l’ensemble complet des données.
La lettre R indique un point avec un grand résidu. Examinez les points de données inhabituels pour voir les valeurs de prédiction où le modèle pourrait ne pas bien s’adapter. La lettre X indique un point avec un effet de levier élevé. Les points avec un effet de levier élevé ont des combinaisons de prédicteurs inhabituelles par rapport au reste de l’ensemble de données.
Des résidus importants et des points d’endettement élevés sont des points potentiellement influents. Par exemple, l’inclusion ou l’exclusion d’un point influent peut modifier le caractère statistiquement significatif ou non d’un coefficient. Si vous voyez une observation influente, déterminez s’il s’agit d’une erreur de saisie de données ou d’une erreur de mesure. Si l’observation n’est pas une erreur, déterminez dans quelle mesure l’observation influence les résultats. Lorsque les chercheurs exploreront davantage le modèle, ils l’ajusteront avec et sans les observations. Ensuite, ils compareront les coefficients, les valeurs p, R2 et d’autres informations du modèle. Si le modèle change considérablement lorsque vous supprimez l’observation influente, examinez-le plus en détail pour déterminer si vous l’avez spécifié de manière incorrecte. Vous devrez peut-être collecter plus de données pour résoudre le problème.
Le nuage de points des scores de maladie ajustés par rapport aux scores de maladie réels montre la relation entre les valeurs ajustées et réelles pour les données d’entraînement et de test. Les points se trouvent approximativement près de la ligne de référence y=x, ce qui indique que le modèle s’ajuste bien aux données.
Méthode
| Ajustez un modèle de régression avec des termes linéaires et des termes d'ordre 2. |
|---|
| Ajustez 6 modèle(s) de régression TreeNet® en utilisant la fonction de perte quadratique. |
| Ajustez 3 modèle(s) de régression Random Forests® avec un effectif d'échantillon bootstrap identique à la taille des données d'apprentissage de 1546. |
| Ajuster un modèle de régression CART® optimal. |
| Ajuster un modèle de régression MARS® optimal. |
| Sélectionnez le modèle avec un R carré maximal d'après la validation croisée sur 5 partitions. |
| Nombre total de lignes : 1546 |
| Lignes utilisées pour le modèle de régression : 1546 |
| Lignes utilisées pour les modèles basés sur des arbres : 1546 |
Informations de réponse
| Moyenne | EcTyp | Minimum | Q1 | Médiane | Q3 | Maximum |
|---|---|---|---|---|---|---|
| 31,0110 | 14,0820 | 0 | 19,05 | 30,95 | 40,48 | 76,19 |
| Meilleur modèle pour le type | R carré (%) | Écart absolu moyen |
|---|---|---|
| Régression multiple* | 91,23 | 3,1011 |
| MARS® | 91,05 | 3,1604 |
| TreeNet® | 90,90 | 3,1613 |
| Random Forests® | 89,93 | 3,3248 |
| CART® | 86,11 | 3,9369 |
Sélection ascendante des termes avec validation pour le meilleur modèle de régression multiple
Essoufflement sévère; Maux de tête sévères; Troubles graves du sommeil; Se sentir
généralement très mal; Limites aux activités normales; Nombre de symptômes
maintenant*Essoufflement sévère; Nombre de symptômes maintenant*Douleur thoracique sévère;
Essoufflement sévère*Troubles graves du sommeil; Se sentir généralement très mal*Limites aux
activités normales
Equation de régression
| Score de gravité de la maladie | = | 1,241 + 2,5386 Nombre de symptômes maintenant + 0,0 Haute production de mucosités_0 + 3,900 Haute production de mucosités_1 + 0,0 Essoufflement sévère_0 + 0,94 Essoufflement sévère_1 + 0,0 Maux de tête sévères_0 + 4,094 Maux de tête sévères_1 + 0,0 Troubles graves du sommeil_0 + 3,884 Troubles graves du sommeil_1 + 0,0 Se sentir généralement très mal_0 + 3,473 Se sentir généralement très mal_1 + 0,0 Limites aux activités normales_0 + 3,140 Limites aux activités normales_1 + 0,0 Nombre de symptômes maintenant*Essoufflement sévère_0 + 0,373 Nombre de symptômes maintenant*Essoufflement sévère_ 1 + 0,0 Nombre de symptômes maintenant*Douleur thoracique sévè re_0 + 0,4765 Nombre de symptômes maintenant*Douleur thoracique s évère_1 + 0,0 Essoufflement sévère*Troubles graves du sommeil_0 0 + 0,0 Essoufflement sévère*Troubles graves du sommeil_0 1 + 0,0 Essoufflement sévère*Troubles graves du sommeil_1 0 + 1,337 Essoufflement sévère*Troubles graves du sommeil_1 1 + 0,0 Se sentir généralement très mal*Limites aux activités normales_0 0 + 0,0 Se sentir généralement très mal*Limites aux activités normales_0 1 + 0,0 Se sentir généralement très mal*Limites aux activités normales_1 0 + 1,372 Se sentir généralement très mal*Limites aux activité s normales_1 1 |
|---|
Coefficients
| Terme | Coeff | Coef ErT | Valeur de T |
|---|---|---|---|
| Constante | 1,241 | 0,385 | 3,22 |
| Nombre de symptômes maintenant | 2,5386 | 0,0593 | 42,81 |
| Haute production de mucosités | |||
| 1 | 3,900 | 0,225 | 17,35 |
| Essoufflement sévère | |||
| 1 | 0,94 | 1,18 | 0,80 |
| Maux de tête sévères | |||
| 1 | 4,094 | 0,253 | 16,18 |
| Troubles graves du sommeil | |||
| 1 | 3,884 | 0,284 | 13,69 |
| Se sentir généralement très mal | |||
| 1 | 3,473 | 0,343 | 10,14 |
| Limites aux activités normales | |||
| 1 | 3,140 | 0,424 | 7,40 |
| Nombre de symptômes maintenant*Essoufflement sévère | |||
| 1 | 0,373 | 0,133 | 2,81 |
| Nombre de symptômes maintenant*Douleur thoracique sévère | |||
| 1 | 0,4765 | 0,0312 | 15,26 |
| Essoufflement sévère*Troubles graves du sommeil | |||
| 1 1 | 1,337 | 0,528 | 2,53 |
| Se sentir généralement très mal*Limites aux activités normales | |||
| 1 1 | 1,372 | 0,527 | 2,61 |
| Terme | Valeur de p | FIV |
|---|---|---|
| Constante | 0,001 | |
| Nombre de symptômes maintenant | 0,000 | 1,95 |
| Haute production de mucosités | ||
| 1 | 0,000 | 1,10 |
| Essoufflement sévère | ||
| 1 | 0,424 | 23,23 |
| Maux de tête sévères | ||
| 1 | 0,000 | 1,25 |
| Troubles graves du sommeil | ||
| 1 | 0,000 | 1,73 |
| Se sentir généralement très mal | ||
| 1 | 0,000 | 2,62 |
| Limites aux activités normales | ||
| 1 | 0,000 | 3,98 |
| Nombre de symptômes maintenant*Essoufflement sévère | ||
| 1 | 0,005 | 26,80 |
| Nombre de symptômes maintenant*Douleur thoracique sévère | ||
| 1 | 0,000 | 1,25 |
| Essoufflement sévère*Troubles graves du sommeil | ||
| 1 1 | 0,011 | 3,26 |
| Se sentir généralement très mal*Limites aux activités normales | ||
| 1 1 | 0,009 | 5,73 |
Récapitulatif du modèle
| Statistiques | Apprentissage | Test |
|---|---|---|
| R carré | 91,35% | 91,23% |
| Racine de l'erreur quadratique moyenne (RMSE) | 4,1562 | 4,1679 |
| Erreur quadratique moyenne (MSE) | 17,2741 | 17,3714 |
| Ecart absolu moyen (MAD) | 3,0798 | 3,1011 |
| R carré (ajus) | 91,29% | |
| R carré (prév) | 91,19% |
Analyse de la variance
| Source | DL | SomCar ajust |
|---|---|---|
| Régression | 11 | 279881 |
| Nombre de symptômes maintenant | 1 | 31655 |
| Haute production de mucosités | 1 | 5202 |
| Essoufflement sévère | 1 | 11 |
| Maux de tête sévères | 1 | 4520 |
| Troubles graves du sommeil | 1 | 3239 |
| Se sentir généralement très mal | 1 | 1776 |
| Limites aux activités normales | 1 | 945 |
| Nombre de symptômes maintenant*Essoufflement sévère | 1 | 136 |
| Nombre de symptômes maintenant*Douleur thoracique sévère | 1 | 4023 |
| Essoufflement sévère*Troubles graves du sommeil | 1 | 111 |
| Se sentir généralement très mal*Limites aux activités normales | 1 | 117 |
| Erreur | 1534 | 26498 |
| Inadéquation de l'ajustement | 484 | 9247 |
| Erreur pure | 1050 | 17251 |
| Total | 1545 | 306379 |
| Source | CM ajust | Valeur F |
|---|---|---|
| Régression | 25443,7 | 1472,94 |
| Nombre de symptômes maintenant | 31654,8 | 1832,51 |
| Haute production de mucosités | 5201,8 | 301,14 |
| Essoufflement sévère | 11,1 | 0,64 |
| Maux de tête sévères | 4520,0 | 261,66 |
| Troubles graves du sommeil | 3238,8 | 187,50 |
| Se sentir généralement très mal | 1775,6 | 102,79 |
| Limites aux activités normales | 945,4 | 54,73 |
| Nombre de symptômes maintenant*Essoufflement sévère | 136,4 | 7,90 |
| Nombre de symptômes maintenant*Douleur thoracique sévère | 4023,4 | 232,92 |
| Essoufflement sévère*Troubles graves du sommeil | 110,7 | 6,41 |
| Se sentir généralement très mal*Limites aux activités normales | 117,3 | 6,79 |
| Erreur | 17,3 | |
| Inadéquation de l'ajustement | 19,1 | 1,16 |
| Erreur pure | 16,4 | |
| Total |
| Source | Valeur de p |
|---|---|
| Régression | 0,000 |
| Nombre de symptômes maintenant | 0,000 |
| Haute production de mucosités | 0,000 |
| Essoufflement sévère | 0,424 |
| Maux de tête sévères | 0,000 |
| Troubles graves du sommeil | 0,000 |
| Se sentir généralement très mal | 0,000 |
| Limites aux activités normales | 0,000 |
| Nombre de symptômes maintenant*Essoufflement sévère | 0,005 |
| Nombre de symptômes maintenant*Douleur thoracique sévère | 0,000 |
| Essoufflement sévère*Troubles graves du sommeil | 0,011 |
| Se sentir généralement très mal*Limites aux activités normales | 0,009 |
| Erreur | |
| Inadéquation de l'ajustement | 0,025 |
| Erreur pure | |
| Total |
Ajustements et diagnostics pour les observations aberrantes
| Observation | Score de gravité de la maladie | Valeur ajustée | Résiduelle | Val. résid. norm. | ||
|---|---|---|---|---|---|---|
| 11 | 66,670 | 56,757 | 9,913 | 2,40 | R | |
| 13 | 52,380 | 41,177 | 11,203 | 2,71 | R | |
| 16 | 59,520 | 48,604 | 10,916 | 2,64 | R | |
| 33 | 50,000 | 60,657 | -10,657 | -2,57 | R | |
| 48 | 64,290 | 55,416 | 8,874 | 2,14 | R | |
| 52 | 61,900 | 53,369 | 8,531 | 2,06 | R | |
| 54 | 50,000 | 41,598 | 8,402 | 2,03 | R | |
| 56 | 50,000 | 58,328 | -8,328 | -2,02 | R | |
| 58 | 38,100 | 46,485 | -8,385 | -2,03 | R | |
| 106 | 59,520 | 49,028 | 10,492 | 2,53 | R | |
| 114 | 59,520 | 47,160 | 12,360 | 2,99 | R | |
| 128 | 69,050 | 58,328 | 10,722 | 2,59 | R | |
| 144 | 50,000 | 40,471 | 9,529 | 2,30 | R | |
| 173 | 47,620 | 56,757 | -9,137 | -2,21 | R | |
| 174 | 42,860 | 34,000 | 8,860 | 2,14 | R | |
| 191 | 42,860 | 52,051 | -9,191 | -2,23 | R | |
| 198 | 59,520 | 48,411 | 11,109 | 2,68 | R | |
| 202 | 73,810 | 64,046 | 9,764 | 2,36 | R | |
| 205 | 47,620 | 37,559 | 10,061 | 2,43 | R | |
| 213 | 35,710 | 34,970 | 0,740 | 0,18 | X | |
| 217 | 16,670 | 19,053 | -2,383 | -0,58 | X | |
| 239 | 47,620 | 58,328 | -10,708 | -2,59 | R | |
| 241 | 71,430 | 66,311 | 5,119 | 1,25 | X | |
| 243 | 14,290 | 24,088 | -9,798 | -2,36 | R | |
| 304 | 50,000 | 41,130 | 8,870 | 2,14 | R | |
| 307 | 14,290 | 10,920 | 3,370 | 0,83 | X | |
| 352 | 64,290 | 51,254 | 13,036 | 3,15 | R | |
| 369 | 38,100 | 49,275 | -11,175 | -2,70 | R | |
| 391 | 16,670 | 32,073 | -15,403 | -3,72 | R | |
| 392 | 0,000 | 11,395 | -11,395 | -2,75 | R | |
| 395 | 0,000 | 13,934 | -13,934 | -3,36 | R | |
| 424 | 40,480 | 52,504 | -12,024 | -2,90 | R | |
| 425 | 47,620 | 34,597 | 13,023 | 3,16 | R | |
| 474 | 47,620 | 38,538 | 9,082 | 2,21 | R | |
| 479 | 40,480 | 30,896 | 9,584 | 2,31 | R | |
| 489 | 16,670 | 25,023 | -8,353 | -2,02 | R | |
| 491 | 30,950 | 24,348 | 6,602 | 1,61 | X | |
| 493 | 57,140 | 44,339 | 12,801 | 3,09 | R | |
| 495 | 35,710 | 25,480 | 10,230 | 2,47 | R | |
| 509 | 38,100 | 26,696 | 11,404 | 2,77 | R | |
| 520 | 73,810 | 58,328 | 15,482 | 3,75 | R | |
| 537 | 38,100 | 28,358 | 9,742 | 2,35 | R | |
| 550 | 14,290 | 24,458 | -10,168 | -2,45 | R | |
| 583 | 42,860 | 53,369 | -10,509 | -2,54 | R | |
| 694 | 19,050 | 21,817 | -2,767 | -0,68 | X | |
| 720 | 59,520 | 65,602 | -6,082 | -1,49 | X | |
| 722 | 40,480 | 32,066 | 8,414 | 2,03 | R | |
| 802 | 30,950 | 42,586 | -11,636 | -2,81 | R | |
| 805 | 30,950 | 39,868 | -8,918 | -2,16 | R | |
| 814 | 40,480 | 32,073 | 8,407 | 2,03 | R | |
| 823 | 61,900 | 48,148 | 13,752 | 3,33 | R | |
| 833 | 33,330 | 44,054 | -10,724 | -2,60 | R | |
| 859 | 38,100 | 49,275 | -11,175 | -2,70 | R | |
| 868 | 47,620 | 37,789 | 9,831 | 2,38 | R | |
| 891 | 30,950 | 19,945 | 11,005 | 2,66 | R | |
| 893 | 28,570 | 48,860 | -20,290 | -4,92 | R | |
| 905 | 45,240 | 55,416 | -10,176 | -2,46 | R | |
| 924 | 54,760 | 56,019 | -1,259 | -0,31 | X | |
| 977 | 64,290 | 53,107 | 11,183 | 2,72 | R | |
| 983 | 57,140 | 47,683 | 9,457 | 2,29 | R | |
| 988 | 50,000 | 44,501 | 5,499 | 1,34 | X | |
| 993 | 73,810 | 64,046 | 9,764 | 2,36 | R | |
| 997 | 33,330 | 24,458 | 8,872 | 2,14 | R | |
| 1003 | 54,760 | 45,128 | 9,632 | 2,33 | R | |
| 1025 | 33,330 | 47,705 | -14,375 | -3,49 | R | |
| 1059 | 57,140 | 48,663 | 8,477 | 2,05 | R | |
| 1105 | 47,620 | 37,319 | 10,301 | 2,49 | R | |
| 1150 | 59,520 | 44,339 | 15,181 | 3,67 | R | |
| 1160 | 52,380 | 40,051 | 12,329 | 2,97 | R | |
| 1163 | 30,950 | 41,598 | -10,648 | -2,57 | R | |
| 1165 | 69,050 | 56,757 | 12,293 | 2,97 | R | |
| 1169 | 59,520 | 49,275 | 10,245 | 2,48 | R | |
| 1198 | 42,860 | 51,516 | -8,656 | -2,09 | R | |
| 1207 | 76,190 | 63,534 | 12,656 | 3,07 | R | |
| 1213 | 26,190 | 40,278 | -14,088 | -3,41 | R | |
| 1228 | 40,480 | 50,571 | -10,091 | -2,45 | R | |
| 1235 | 59,520 | 50,175 | 9,345 | 2,26 | R | |
| 1237 | 57,140 | 48,239 | 8,901 | 2,15 | R | |
| 1246 | 64,290 | 55,416 | 8,874 | 2,14 | R | |
| 1262 | 45,240 | 35,957 | 9,283 | 2,24 | R | |
| 1263 | 57,140 | 43,951 | 13,189 | 3,18 | R | |
| 1282 | 33,330 | 36,011 | -2,681 | -0,65 | X | |
| 1284 | 45,240 | 56,564 | -11,324 | -2,74 | R | |
| 1285 | 47,620 | 60,657 | -13,037 | -3,15 | R | |
| 1303 | 26,190 | 36,567 | -10,377 | -2,51 | R | |
| 1305 | 35,710 | 45,499 | -9,789 | -2,36 | R | |
| 1311 | 30,950 | 40,089 | -9,139 | -2,21 | R | |
| 1345 | 26,190 | 25,105 | 1,085 | 0,26 | X | |
| 1353 | 42,860 | 53,175 | -10,315 | -2,49 | R | |
| 1365 | 26,190 | 17,834 | 8,356 | 2,01 | R | |
| 1377 | 47,620 | 35,222 | 12,398 | 3,00 | R | |
| 1380 | 69,050 | 55,416 | 13,634 | 3,29 | R | |
| 1384 | 50,000 | 38,496 | 11,504 | 2,78 | R | |
| 1414 | 26,190 | 35,345 | -9,155 | -2,21 | R | |
| 1502 | 61,900 | 50,195 | 11,705 | 2,84 | R | |
| 1526 | 38,100 | 25,450 | 12,650 | 3,05 | R | |
| 1535 | 14,290 | 24,088 | -9,798 | -2,36 | R | |
| 1544 | 38,100 | 29,165 | 8,935 | 2,16 | R | |
| 1548 | 50,000 | 40,455 | 9,545 | 2,31 | R | |
| 1565 | 38,100 | 42,846 | -4,746 | -1,16 | X | |
| 1582 | 66,670 | 55,437 | 11,233 | 2,72 | R |
Sélectionnez un modèle alternatif
Les chercheurs décident d’examiner les résultats pour trouver le meilleur modèle TreeNet®.
- Dans les résultats de Découvrir le meilleur modèle (réponse continue), sélectionnez Sélectionner un autre modèle.
- Dans Type de modèle, sélectionnez TreeNet®.
- Dans Sélectionner un modèle existant, choisissez le sixième modèle, dont la meilleure valeur est R2.
- Cliquez sur Afficher les résultats.
Interpréter les résultats
Cette analyse fait pousser 300 arbres et le nombre optimal d’arbres est de 63. Le modèle utilise un taux d’apprentissage de 0,1 et une fraction de sous-échantillon de 0,7. Le nombre maximal de nœuds terminaux est de 6.
Méthode
| Fonction de perte | Erreur quadratique |
|---|---|
| Critères de sélection du nombre d'arbres optimal | R carré maximum |
| Validation de modèle | Validation croisée pour 5 ensemble(s) |
| Taux d'apprentissage | 0,1 |
| Fraction de sous-échantillon | 0,7 |
| Nombre maximal de nœuds terminaux par arbre | 6 |
| Taille minimale du nœud terminal | 3 |
| Nombre de prédicteurs sélectionnés pour la partition des nœuds | Nombre total de prédicteurs = 8 |
| Lignes utilisées | 1546 |
| Lignes non utilisées | 70 |
Informations de réponse
| Moyenne | EcTyp | Minimum | Q1 | Médiane | Q3 | Maximum |
|---|---|---|---|---|---|---|
| 31,0110 | 14,0820 | 0 | 19,05 | 30,95 | 40,48 | 76,19 |
Le graphique R carré en fonction du nombre d’arbres montre la courbe entière sur le nombre d’arbres cultivés. La valeur optimale des données de test est d’environ 91 % lorsque le nombre d’arbres est de 63.
Récapitulatif du modèle
| Nombre total de prédicteurs | 8 |
|---|---|
| Prédicteurs importants | 8 |
| Nombre d'arbres développés | 300 |
| Nombre optimal d'arbres | 63 |
| Statistiques | Apprentissage | Test |
|---|---|---|
| R carré | 91,93% | 90,90% |
| Racine de l'erreur quadratique moyenne (RMSE) | 3,9992 | 4,2471 |
| Erreur quadratique moyenne (MSE) | 15,9932 | 18,0375 |
| Ecart absolu moyen (MAD) | 2,9943 | 3,1613 |
| Pourcentage d'erreur absolue moyen (MAPE) | 0,1088 | 0,1130 |
Le tableau récapitulatif du modèle montre que la valeur R2 lorsque le nombre d’arbres est de 63 est d’environ 92 % pour les données d’entraînement et d’environ 91 % pour les données de test.
Le graphique Importance relative des variables trace les prédicteurs dans l’ordre de leur effet sur l’amélioration du modèle lorsque des divisions sont effectuées sur un prédicteur au cours de la séquence d’arbres. La variable prédictive la plus importante est Nombre de symptômes maintenant. Si la contribution de la variable prédictive principale, Nombre de symptômes maintenant, est de 100 %, la variable importante suivante, Limites aux activités normales, a une contribution de 44,4 %. Cela signifie Limites aux activités normales qu’il est 44,4 % aussi important que Nombre de symptômes maintenant dans ce modèle de régression.
Le nuage de points des scores de maladie ajustés par rapport aux scores de maladie réels montre la relation entre les valeurs ajustées et réelles pour les données d’entraînement et de test. Les points se trouvent approximativement près de la ligne de référence y=x, ce qui indique que le modèle s’ajuste bien aux données.
Utilisez les tracés de dépendances partielles pour obtenir des informations sur la façon dont les variables importantes ou les paires de variables affectent les valeurs de réponse ajustées. Les graphiques de dépendance partielle montrent si la relation entre la réponse et une variable est linéaire, monotone ou plus complexe.
Le premier graphique illustre la relation entre les scores de la maladie et le nombre de symptômes que le patient présente actuellement. Vous pouvez survoler des points de données individuels pour voir les valeurs x et y spécifiques. Par exemple, le point le plus élevé sur le côté droit du graphique est lorsque le patient présente 13 symptômes et que le score de maladie ajusté est d’environ 45.
Le deuxième graphique illustre que le score de maladie ajusté augmente d’environ 5 points lorsque les patients signalent des limitations dans leurs activités normales.
Le troisième graphique illustre que le score de maladie ajusté augmente d’environ 5 points lorsque les patients déclarent se sentir généralement très mal.
Le quatrième graphique illustre l’augmentation du score de maladie ajusté d’environ 4 points lorsque les patients signalent un essoufflement sévère.
Le dernier graphique illustre comment le score de maladie ajusté pour un certain nombre de symptômes dépend du fait que le patient a également des limites à ses activités normales. Pour le même nombre de symptômes, les patients qui signalent également des limites à leurs activités normales ont des scores de maladie ajustés plus élevés.
