Spécifier des options pour Découvrir les prédicteurs principaux avec Classification TreeNet^®

Lorsque vous choisissez Découvrir les prédicteurs principaux sur le menu Classification TreeNet^®, vous pouvez spécifier comment éliminer les termes.

Méthode

Choisissez d’abord d’éliminer les prédicteurs les moins importants ou les plus importants.

Éliminer les prédicteurs sans importance

Éliminez d’abord les prédicteurs les moins importants pour sélectionner un sous-ensemble de prédicteurs à utiliser pour le modèle. Par exemple, pour réduire un ensemble de 500 prédicteurs aux 10 prédicteurs les plus importants. L’algorithme supprime les prédicteurs les moins importants séquentiellement, présente les résultats qui permettent de comparer les modèles avec différents nombres de prédicteurs, et produit des résultats pour l’ensemble des prédicteurs avec la meilleure valeur du critère de sélection du modèle.

Éliminer les prédicteurs importants pour évaluer leurs impacts

Éliminez d’abord les prédicteurs les plus importants pour évaluer l’effet sur le modèle. Utilisez par exemple cette option pour voir la variation de la valeur moyenne du log négatif de vraisemblance quand les prédicteurs les plus importants quittent le modèle. L’algorithme supprime les prédicteurs les plus importants séquentiellement, présente les résultats qui permettent d’évaluer l’effet de chaque prédicteur important sur le critère de précision, et produit des résultats pour le modèle avec tous les prédicteurs.

Éliminer les prédicteurs K à chaque étape

Généralement, vous éliminez un prédicteur à la fois. Si vous avez un très grand nombre de prédicteurs et attendez peu de prédicteurs très importants, envisagez une valeur plus grande. Vous pouvez par exemple supprimer plus de prédicteurs par étape et augmenter le nombre maximal d’étapes d’élimination pour supprimer plus de prédicteurs plus rapidement.

Nombre maximal d’étapes d’élimination

Généralement, le nombre maximal d’étapes d’élimination est le nombre de modèles réduits que vous souhaitez examiner, mais l’algorithme s’arrête plus tôt si le modèle est à court de prédicteurs. Lorsque vous augmentez le nombre, vous éliminez généralement un petit nombre de prédicteurs à chaque étape par rapport au nombre de prédicteurs et vous souhaitez continuer pour voir des modèles plus petits. Vous pouvez par exemple supprimer plus de prédicteurs par étape et augmenter le nombre maximal d’étapes d’élimination pour supprimer plus de prédicteurs plus rapidement. Diminuez cette valeur pour évaluer moins de modèles alternatifs.

Spécifier les prédicteurs à supprimer en dernier

Spécifiez un sous-ensemble de prédicteurs à supprimer après le reste des prédicteurs. Supposons par exemple que vous avez 10 prédicteurs et spécifiez 3 prédicteurs à supprimer en dernier. L’algorithme supprime les 7 autres prédicteurs avant de prendre en compte l’un des 3 prédicteurs que vous spécifiez. Généralement, vous spécifiez des prédicteurs à supprimer en dernier lorsque vous avez un intérêt particulier pour un ou plusieurs prédicteurs. Vous pouvez par exemple spécifier les prédicteurs à supprimer en dernier afin que l’algorithme évalue un modèle avec seulement ces prédicteurs.

Afficher le tableau de sélection de modèle

Choisissez d’afficher ou non les résultats pour les données d'apprentissage.

Pour l'ensemble de test

Généralement, vous affichez les résultats de l’ensemble de tests. L’algorithme utilise ces résultats pour savoir quelles variables éliminer. Les résultats de test indiquent si le modèle peut prédire de manière adaptée les valeurs de réponse pour les nouvelles observations, ou récapituler correctement les relations entre les variables de réponse et de prédiction.

Pour les ensembles de test et d'apprentissage

Les résultats d’apprentissage sont généralement plus idéaux que les réels pour les nouvelles données. Les résultats d'apprentissage sont pour référence seulement.