Méthodes et formules pour affiner les hyperparamètres dans Ajuster le modèle et Découvrir les prédicteurs principaux avec Régression TreeNet^®

Si vous spécifiez des valeurs pour plus d’un hyperparamètre, les modèles dans le tableau d’évaluation dépendent de l'évaluation ou non des combinaisons complètes des hyperparamètres.

• Si vous sélectionnez Évaluer les combinaisons complètes de paramètres, l’algorithme évalue chaque combinaison des hyperparamètres. Cette option prend généralement plus de temps à calculer.
• Dans le cas contraire, l’algorithme évalue les hyperparamètres dans cet ordre :
  1. Taux d'apprentissage
  2. Fraction de sous-échantillon
  3. Paramètre individuel de complexité des arbres
  Supposons par exemple que l’algorithme reçoive les hyperparamètres suivants :

  • Taux d'apprentissage : 0,001, 0,01, 0,1
  • Fractions de sous-échantillon : 0,4, 0,5, 0,7
  • Nombre maximal de nœuds terminaux : 4, 6

  1. L’algorithme définit la proportion de sous-échantillon à 0,4 et le nombre maximal de nœuds terminaux à 4. Ensuite, l’algorithme évalue les taux d’apprentissage d'un plus petit au plus grand : 0,001, 0,01, 0,1.
  2. Supposons que l’algorithme identifie 0,01 comme le meilleur taux d’apprentissage. Ensuite, l’algorithme fixe le taux d’apprentissage à 0,01 et le nombre maximal de nœuds terminaux à 4. Ensuite, l’algorithme évalue les proportions de sous-échantillon de 0,4, 0,5 et 0,7.
  3. Supposons que l’algorithme identifie 0,5 comme la meilleure proportion de sous-échantillon. Ensuite, l’algorithme fixe le taux d’apprentissage à 0,01, la proportion de sous-échantillon à 0,5. Ensuite, l’algorithme évalue le nombre maximal de nœuds de 4 et 6.
  4. Supposons que l’algorithme identifie 6 comme le meilleur nombre maximal de nœuds terminaux. Ensuite, Minitab produit le tableau d’évaluation et les résultats pour le modèle avec un taux d’apprentissage = 0,01, la proportion de sous-échantillon 0,5, et le nombre maximal de nœuds terminaux 6.

Dans cet exemple, l’analyse qui n’évalue pas l’ensemble complet des combinaisons de paramètres comprend 8 modèles dans le tableau d’évaluation. Une analyse de toutes les combinaisons de paramètres a 3 × 3 × 2 = 18 combinaisons et prend plus de temps à calculer.

Pour plus de détails sur le calcul des critères d’exactitude pour un modèle individuel, passez à Méthodes et formules pour le récapitulatif du modèle dans Ajuster le modèle et Découvrir les prédicteurs principaux avec Régression TreeNet®.