Exemple de prédiction avec Régression TreeNet®

Remarque

Cette commande est disponible avec la commande Module d'analyse prédictive. Cliquez ici pour plus d’informations sur la façon d’activer le module.

Une équipe de chercheurs veut utiliser des données sur un emprunteur et l’emplacement d’une propriété pour prédire le montant d’un prêt hypothécaire. Les variables comprennent le revenu, la race et le sexe de l’emprunteur ainsi que l’emplacement de la propriété dans le secteur de recensement et d’autres informations sur l’emprunteur et le type de propriété. Ces données ont été adaptées sur la base d’un ensemble de données publiques contenant des informations sur les prêts hypothécaires des banques fédérales de prêts immobiliers. Données originales de fhfa.gov.

Le chercheur peut utiliser le modèle d’arbre de régression à gradient renforcé pour prédire les valeurs de réponse pour les nouvelles observations.

Remarque

Cet exemple utilise le jeu de données de Ajuster le modèle, mais la prédiction est également disponible lorsque vous l’utilisez Découvrir les prédicteurs principaux pour créer le modèle.

  1. Terminez le Exemple de Ajuster le modèle pour Régression TreeNet®.
  2. Ouvrez l’exemple de jeu de données PrévisionsEmpruntsContractés.MTW.
  3. Assurez-vous que la feuille de calcul qui contient les données de prédiction est active et sélectionnez-la Prévoir dans les résultats.
  4. Dans la liste déroulante, sélectionnez Entrer des colonnes de valeurs.
  5. Entrez les valeurs suivantes :
    Revenu annuel Revenu annuel
    Rapport de revenu Rapport de revenu
    Rapport de frais de logement Rapport de frais de logement
    Rapport dette-revenu Rapport dette-revenu
    Nombre emprunteurs Nombre emprunteurs
    Age Age
    Age du co-emprunteur Age du co-emprunteur
    Pourcentage de minorités de la zone Pourcentage de minorités de la zone
    Revenu de la zone Revenu de la zone
    Revenu local Revenu local
    Revenu du secteur Revenu du secteur
    Primo-accédant à la propriété Primo-accédant à la propriété
    Code occupation Code occupation
    Travailleur indépendant Travailleur indépendant
    Origine ethnique du co-emprunteur 4 Origine ethnique du co-emprunteur 4
    Origine ethnique du co-emprunteur 5 Origine ethnique du co-emprunteur 5
    Objet du prêt Objet du prêt
    Sexe Sexe
    Nombre de logements Nombre de logements
    Appartenance ethnique Appartenance ethnique
    Origine ethnique du co-emprunteur 3 Origine ethnique du co-emprunteur 3
    Sexe du co-emprunteur Sexe du co-emprunteur
    Origine ethnique 2 Origine ethnique 2
    Appartenance ethnique du co-emprunteur Appartenance ethnique du co-emprunteur
    Cote de solvabilité Cote de solvabilité
    Cote de solvabilité du co-emprunteur Cote de solvabilité du co-emprunteur
    Origine ethnique Origine ethnique
    Origine ethnique du co-emprunteur 2 Origine ethnique du co-emprunteur 2
    Origine ethnique du co-emprunteur Origine ethnique du co-emprunteur
    Type de bien Type de bien
    District fédéral District fédéral
    Code Etat Code Etat
    Code de comté Code de comté
    Zone statistique de base Zone statistique de base
  6. Cliquez sur OK.

Interpréter les résultats

Minitab utilise les arbres de régression optimisés par gradient dans les résultats pour estimer l’ajustement d’un ensemble de valeurs de prédiction. Les chercheurs trouvent les montants de prêt prédits pour divers paramètres des prédicteurs.
Convenir
250239
216318
397319
150004
148647
96813
501441
559800
135442
635885
81788