Exemple de Découvrir les prédicteurs principaux de Classification TreeNet^®

Interpréter les résultats

Pour cette analyse, Minitab Statistical Software compare 28 modèles. Le nombre d’étapes est inférieur au nombre maximal d’étapes parce que le prédicteur stabilité de mousse a un score d’importance de 0 dans le premier modèle, de sorte que l’algorithme élimine 2 variables dans la première étape. L’astérisque dans la colonne Modèle du tableau Évaluation des modèles montre que le modèle ayant la plus faible valeur de la statistique moyenne du log négatif de vraisemblance est le modèle 23. Les résultats qui suivent le tableau Évaluation des modèles sont pour le modèle 23.

Bien que le modèle 23 ait la plus petite valeur de la statistique moyenne du log négatif de vraisemblance, d’autres modèles ont des valeurs similaires. L’équipe peut cliquer sur Sélectionner un autre modèle pour produire des résultats pour d’autres modèles à partir du tableau Évaluation des modèles.

Dans les résultats du modèle 23, le diagramme Moyenne du log négatif de vraisemblance en fonction du Nombre d’arbres montre que le nombre optimal d’arbres est presque le nombre d’arbres dans l’analyse. L’équipe peut cliquer sur Affiner les hyperparamètres pour identifier un meilleur modèle pour augmenter le nombre d’arbres et voir si les modifications apportées à d’autres hyperparamètres améliorent les performances du modèle.

La courbe d'importance relative des variables trace les prédicteurs dans l'ordre de leur effet sur l'amélioration du modèle lorsqu'un prédicteur est divisé sur la séquence des arbres. La variable de prédiction la plus importante est temps de mélange. Si l'importance de la principale variable de prédiction, temps de mélange, est de 100 %, la variable importante suivante, température du four, présente une contribution de 93,9%. Cela signifie que température du four est 93,9 % aussi important que temps de mélange.

Utilisez les diagrammes de dépendance partielle pour mieux comprendre comment les variables ou les paires de variables importantes affectent la réponse prévue. Les valeurs de réponse sur l'échelle de la moitié du logarithme correspondent aux prédictions du modèle. Les diagrammes de dépendance partielle indiquent si la relation entre la réponse et une variable est linéaire, monotone ou plus complexe.

Les diagrammes de dépendance partielle à un prédicteur montrent que les valeurs moyennes temps de mélange, température du four et il est temps de cuisiner augmentent les probabilités de succès d'un bretzel acceptable. Une valeur moyenne de temps sec diminue les probabilités de succès d’un bretzel acceptable. Les chercheurs peuvent cliquer sur Sélectionner plus de prédicteurs à tracer pour produire des diagrammes pour d’autres variables.

Le diagramme de dépendance partielle à deux prédicteurs de temps de mélange et température du four montre une relation plus complexe entre les deux variables et la réponse. Alors que les valeurs moyennes de temps de mélange et température du four augmentent les probabilités de succès d’un bretzel acceptable, le diagramme montre que les meilleures probabilités se produisent lorsque les deux variables sont à des valeurs moyennes. Les chercheurs peuvent cliquer sur Sélectionner plus de prédicteurs à tracer pour produire des diagrammes pour d’autres paires de variables.