Pourcentage de statistiques d'erreur dû aux valeurs résiduelles les plus grandes pour Régression MARS^®

Chaque ligne du tableau affiche les statistiques d'erreur pour le pourcentage donné de valeurs résiduelles. Le pourcentage de l'erreur quadratique moyenne (MSE) qui provient des valeurs résiduelles les plus grandes est généralement plus élevé que le pourcentage pour les deux autres statistiques. La MSE utilise les carrés des erreurs dans les calculs. Par conséquent, les observations les plus extrêmes ont généralement la plus grande influence sur la statistique. De grandes différences entre le pourcentage d’erreur pour MSE et les deux autres mesures peuvent indiquer que le modèle est plus sensible à la sélection des fonctions de base avec le critère R-carré ou le critère de déviation absolue moyenne.

Lorsque vous utilisez une technique de validation, les résultats incluent des statistiques distinctes pour les données d’apprentissage et pour les données de test. Vous pouvez comparer les statistiques pour examiner les performances relatives du modèle avec les données d'apprentissage et avec de nouvelles données. Les statistiques de test sont généralement une meilleure mesure de la qualité du modèle avec de nouvelles données.

Il est possible qu'un petit pourcentage des valeurs résiduelles représente une grande partie de l'erreur dans les données. Par exemple, dans le tableau suivant, la taille totale de l'ensemble de données est d'environ 4400. Du point de vue du MSE, cela indique que 1 % des données représentent environ 13 % de l’erreur. Dans un tel cas, les 31 cas qui contribuent le plus à l'erreur du modèle peuvent représenter l'occasion la plus naturelle d'améliorer l'arbre. Trouver un moyen d'améliorer les valeurs ajustées pour ces cas conduit à une augmentation relativement importante des performances globales du modèle.

Cette condition peut également indiquer que vous pouvez avoir une plus grande confiance dans les régions du modèle qui n’ont pas de cas avec les erreurs les plus importantes. Étant donné que la plupart des erreurs proviennent d'un petit nombre de cas, les valeurs ajustées correspondant aux autres cas sont relativement plus précises.