Exemple de prévision avec Régression TreeNet®

Remarque

Cette commande est disponible avec le Module d'analyse prédictive. Cliquez ici pour plus d'informations sur l'activation du module.

Une équipe de chercheurs souhaite utiliser les données sur un emprunteur et l'emplacement d'un bien pour prédire le montant d'un prêt. Les variables comprennent le revenu, l'origine ethnique, le sexe de l'emprunteur ainsi que la zone de recensement du bien et d'autres renseignements sur l'emprunteur et le type de bien. Ces données ont été adaptées à partir d'un ensemble de données public contenant des informations sur les prêts immobiliers contractés auprès de banques fédérales de prêts immobiliers. Les données d'origine proviennent de fhfa.gov.

Les chercheurs peuvent utiliser le modèle d'arbres de régression à gradient renforcé afin de prédire avec une grande précision les probabilités de la classe de réponse pour les nouvelles observations.

Remarque

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

  1. Complétez Exemple de Ajuster le modèle pour Régression TreeNet®.
  2. Ouvrez l'ensemble de données échantillons PrévisionsEmpruntsContractés.MTW.
  3. Assurez-vous que la feuille de calcul qui contient les données de prévision est active et cliquez sur le bouton Prévoir au bas des résultats de l'arbre de régression.
  4. Dans la liste déroulante, sélectionnez Entrer des colonnes de valeurs.
  5. Saisissez 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 à gradient renforcé dans les résultats pour estimer l'ajustement de l'ensemble de valeurs de prédiction. Les chercheurs trouvent les montants des prêts prévus selon divers paramètres des prédicteurs.
Ajustement
235932
202454
384061
137775
115011
120295
494431
552118
113623
617189
107901