Assistance de Minitab® 

Sélectionnez un autre modèle pour Découvrir le meilleur modèle (réponse continue)

En savoir plus sur Minitab
Exécutez Module d'analyse prédictive > Auto-apprentissage par la machine automatisé > Découvrir le meilleur modèle (réponse continue). Cliquez sur le bouton Sélectionner un autre modèle après le tableau Sélection du modèle.
Remarque

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

Lorsque vous utilisez Découvrir le meilleur modèle (réponse continue) pour identifier le meilleur type de modèle, Minitab Statistical Software produit des résultats pour le modèle avec la meilleure valeur du critère de précision pour l’analyse, par exemple le R2maximum. Minitab vous permet d’explorer les résultats d’autres modèles et d’autres types de modèles. Par exemple, si un autre type de modèle produit une précision de prédiction similaire, vous pouvez déterminer si les mêmes prédicteurs sont importants dans chaque type de modèle.

Les options disponibles dépendent du type de modèle. Pour les modèles de régression multiple et CART® , vous pouvez examiner les résultats du meilleur modèle de la recherche. Pour les modèles Random Forests®, TreeNet® et MARS® , vous pouvez examiner les résultats de n’importe lequel des modèles de la recherche. Pour les modèles Random Forests®, TreeNet® et MARS® , vous pouvez également régler les hyperparamètres pour rechercher des combinaisons qui produisent des valeurs encore meilleures que les hyperparamètres de la recherche.

Random Forests®

Sélectionnez un modèle existant pour produire des résultats pour l’un des modèles de la recherche. Spécifiez des hyperparamètres pour s’adapter aux nouveaux modèles afin de rechercher des combinaisons d’hyperparamètres qui améliorent les performances du modèle.

Sélectionner un modèle existant

Dans la recherche du meilleur type de modèle, l’analyse produit jusqu’à 3 modèles de Random Forests® avec différentes tailles minimales pour les nœuds internes. Sélectionnez un modèle dans la liste et cliquez Afficher les résultats pour produire des résultats pour ce modèle.

Spécifier des hyperparamètres pour ajuster de nouveaux modèles

L’analyse nécessite que vous spécifiiez les 3 premiers hyperparamètres. L’inclusion d’un échantillon bootstrap d’une taille inférieure à la taille des données d’apprentissage est facultative. Cliquez Afficher les résultats pour évaluer les hyperparamètres des nouveaux modèles. Les résultats comprennent un tableau qui compare les critères d’optimalité pour les différentes combinaisons d’hyperparamètres et les résultats du modèle avec la meilleure valeur du critère d’optimalité, comme le maximum R2.
Nombre de prédicteurs pour la partition des nœuds
Spécifiez 1 à 3 nombres de prédicteurs à prendre en compte pour chaque division de nœud. Généralement, l'analyse fonctionne bien lorsque vous tenez compte de la racine carrée du nombre total de prédicteurs. Toutefois, certains ensembles de données disposent d'associations parmi les prédicteurs qui conduisent à une amélioration des performances du modèle lorsque l'analyse tient compte d'un plus grand ou d'un plus petit nombre de prédicteurs pour chaque nœud.
Nombre minimal de cas pour diviser un nœud interne
Entrez 1 à 3 nombres minimum de cas qu’un nœud peut avoir et toujours divisé en plusieurs nœuds. Par défaut, la recherche d’origine inclut les numéros 2, 5 et 8.
Nombre d'échantillons bootstrap pour cultiver les arbres
Saisissez une valeur pour déterminer le nombre d'échantillons bootstrap et le nombre d'arbres générés par l'analyse. Saisissez une valeur comprise entre 3 et 3000.
Spécifier un effectif d'échantillon bootstrap inférieur à la taille des données d'apprentissage
Sélectionnez cette option pour saisir une valeur qui définit la taille de l'échantillon bootstrap. Vous devez saisir une valeur supérieure ou égale à 5. Si vous saisissez une taille supérieure à la taille des données d'apprentissage, Minitab utilise une taille d'échantillon égale à celle des données d'apprentissage.

TreeNet®

Sélectionnez un modèle existant pour produire des résultats pour l’un des modèles de la recherche. Spécifiez des hyperparamètres pour s’adapter aux nouveaux modèles afin de rechercher des combinaisons d’hyperparamètres qui améliorent les performances du modèle.

Sélectionner un modèle existant

Dans la recherche du meilleur type de modèle, l’analyse produit un modèle TreeNet® pour chaque combinaison d’hyperparamètres. Sélectionnez un modèle dans la liste et cliquez Afficher les résultats pour produire des résultats pour ce modèle.

Spécifier des hyperparamètres pour ajuster de nouveaux modèles

L’analyse nécessite que vous spécifiiez tous les hyperparamètres. Cliquez Afficher les résultats pour évaluer les hyperparamètres des nouveaux modèles. Les résultats comprennent un tableau qui compare les critères d’optimalité pour les différentes combinaisons d’hyperparamètres et les résultats pour le modèle avec la meilleure valeur du critère de précision pour l’analyse, comme le R2maximum.

Taux d'apprentissage
Entrez jusqu'à 10 valeurs. Les valeurs éligibles vont de 0,0001 à 1.
Fraction de sous-échantillon
Entrez jusqu'à 10 valeurs. Les valeurs éligibles sont supérieures à 0 et inférieures ou égales à 1.
Nombre maximal de nœuds terminaux par arbre et Profondeur maximale de l'arbre
Choisissez d’évaluer le Nombre maximal de nœuds terminaux par arbre ou le Profondeur maximale de l'arbre. Habituellement, l’un ou l’autre choix est un moyen raisonnable d’identifier un modèle utile, de sorte que la sélection ne dépend que des préférences individuelles.
Maximum de nœuds terminaux
Entrez jusqu'à 3 valeurs. Les valeurs éligibles sont entre 2 et 2000. Une valeur de 2 élimine l'examen des interactions.
Profondeur maximale de l'arbre
Entrez jusqu'à 3 valeurs. Les valeurs éligibles sont entre 2 et 1000 pour représenter 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 bons.
Nombre de prédicteurs pour la partition des nœuds
Entrez jusqu'à 3 valeurs. Les valeurs admissibles sont comprises entre 1 et le nombre total de prédicteurs. Habituellement, l’analyse fonctionne bien lorsque vous considérez le nombre total de prédicteurs. Cependant, certains ensembles de données ont des associations entre les prédicteurs qui conduisent à une amélioration des performances du modèle lorsque l’analyse considère un plus petit nombre de prédicteurs pour chaque nœud.
Nombre d'arbres
Saisissez une valeur entre 1 et 5 000 pour définir le nombre maximal d'arbres à créer. La valeur par défaut de 300 fournit généralement des résultats utiles pour l’évaluation des valeurs des hyperparamètres.
Si un ou plusieurs modèles d’intérêt ont un certain nombre d’arbres proches du nombre d’arbres que vous spécifiez, alors envisagez d'augmenter le nombre d’arbres. Si le nombre d’arbres est plus proche du nombre maximal, une augmentation du nombre d’arbres est plus susceptible d’améliorer les performances du modèle.

MARS®

Sélectionnez un modèle existant pour produire des résultats pour l’un des modèles de la recherche. Spécifiez des hyperparamètres pour s’adapter aux nouveaux modèles afin de rechercher des combinaisons d’hyperparamètres qui améliorent les performances du modèle.

Sélectionner un modèle existant

Dans la recherche du meilleur type de modèle, l’analyse produit un modèle MARS® avec chaque nombre de fonctions de base dans la recherche. Sélectionnez un modèle dans la liste et cliquez Afficher les résultats pour produire des résultats pour ce modèle.

Spécifier des hyperparamètres pour ajuster de nouveaux modèles

Cliquez Afficher les résultats pour évaluer les paramètres des nouveaux modèles. Les résultats incluent les résultats du modèle avec la meilleure valeur du critère d’optimalité, comme le R2maximum.
Nombre maximal de fonctions de base
La valeur par défaut de 30 fonctionne bien dans la plupart des cas. Considérez une valeur plus grande lorsque 30 fonctions de base semblent trop petites pour les données. Par exemple, considérez une valeur plus élevée lorsque vous pensez que plus de 30 prédicteurs sont importants.
Si vous n’êtes pas certain que 30 suffisent, passez en revue les résultats initiaux. Par exemple, une valeur plus grande est plus susceptible d’améliorer l’ajustement du modèle si la valeur R-carré tend à la hausse à mesure que l’analyse ajoute des fonctions de base.
Nombre minimal d'observations entre les noeuds
Autoriser MARS® à choisir
L’analyse utilise la taille de l’échantillon et la complexité du modèle pour sélectionner automatiquement une valeur. La valeur automatique fonctionne bien dans la plupart des cas.
λ spécifié par l'utilisateur
Une valeur de 1 indique que des points de données consécutifs peuvent être des points où la fonction de base change. La valeur de 1 permet les changements les plus rapides dans les prédictions du modèle. Utilisez des valeurs plus grandes pour créer des modèles plus fluides afin d’explorer des relations plus générales. Ces modèles plus lisses sont parfois moins précis sur certaines plages de données.
Interactions prédictives autorisées

Autorisez les interactions de prédicteurs jusqu’à l’ordre que vous spécifiez. Une interaction signifie que l’effet d’un prédicteur dépend de la valeur d’autres prédicteurs. Par exemple, la vitesse à laquelle le grain sèche dans un four dépend du temps passé dans le four, mais l’effet du temps dépend de la température du four. Les variables de temps et de température interagissent.

Ne pas autoriser d'interaction (modèle additif)
n'autorisez aucune interaction entre prédicteurs. Dans ce cas, Minitab utilise le modèle additif dans lequel les fonctions de base n’interagissent pas.
Autoriser toutes les interactions jusqu'à l'ordre 2
Order spécifie le nombre de prédicteurs différents qui peuvent se trouver dans une fonction de base. Par exemple, un ordre de 2 indique que l’effet d’un prédicteur peut dépendre de la valeur de 1 autre prédicteur. Les fonctions de base suivantes sont un exemple d’interaction d’ordre 2 :
  • BF1 = max(0, X1 − 800)
  • BF2 = max(0, X2 − 50) * BF1

Régression multiple

Sélectionnez Résultats pour un modèle de régression multiple et cliquez Afficher les résultats pour produire les résultats du meilleur modèle de régression multiple à partir de la recherche du meilleur type de modèle.

CART®

Sélectionnez Résultats pour le modèle CART® et cliquez Afficher les résultats pour produire les résultats du meilleur modèle CART® à partir de la recherche du meilleur type de modèle.

Copyright © 2024 Minitab, LLC. All rights Reserved.