Exemple de Découvrir les prédicteurs principaux pour Régression TreeNet^®

Interpréter les résultats

Pour cette analyse, Minitab Statistical Software compare 20 modèles. L’astérisque de la colonne Modèle du tableau d’évaluation du modèle montre que le modèle ayant la plus grande valeur de la statistique R² à validation croisée est le modèle 16. Le modèle 16 contient 5 prédicteurs importants. Les résultats qui suivent le tableau Évaluation des modèles sont pour le modèle 16.

Bien que le modèle 16 ait la plus grande valeur de la statistique R^{2 à validation croisée,} 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 16, le R carré en fonction du nombre d’arbres montre que le nombre optimal d’arbres est égal au nombre d’arbres dans l’analyse, soit 300. 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 Température du moule. Si la contribution de la principale variable de prédiction, c'est-à-dire Température du moule, est de 100 %, alors la variable importante suivante, Machine, présente une contribution de 58,7%. Cela signifie que la machine qui injecte est 58,7% aussi importante que la température à l’intérieur du moule.

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 la température de moule, la pression d’injection et la température de refroidissement ont toutes une corrélation positive avec la résistance. Le diagramme des machines montre les différences entre les machines, avec la machine 1 faisant les pièces les plus faibles en moyenne et la machine 4 faisant les pièces les plus résistantes en moyenne. L’équipe remarque que la température du moule et la machine ont l’interaction la plus forte dans les données, de sorte qu’ils regardent le diagrammes de dépendance partielle à deux prédicteurs pour mieux comprendre comment ces variables affectent la résistance. L’équipe peut cliquer sur Sélectionner plus de prédicteurs à tracer pour produire des diagrammes pour d’autres variables, telles que la température d’injection.

Le diagrammes de dépendance partielle à deux prédicteurs de la température du moule et de la machine donne un aperçu de la différence de résistance moyenne entre les machines. Une raison est que les données de la machine 1 n’incluent pas autant d’observations aux températures de moule les plus élevées que les autres machines. L’équipe peut encore décider de chercher d’autres raisons pour lesquelles les machines produisent des résistances différentes lorsque d’autres paramètres sont les mêmes. L’équipe peut cliquer sur Sélectionner plus de prédicteurs à tracer pour produire des diagrammes pour d’autres paires de variables.