Spécifiez les options pour Optimisation des réponses

Optimisation des réponses > Options pour le Stat ou Optimisation des réponses > Contraintes pour le Module d'analyse prédictive

Sur ce thème

Tenez compte des valeurs manquantes lors de l’optimisation
Contraintes
Valeurs de début
Niveau de confiance pour tous les intervalles
Type d’intervalle de confiance

Tenez compte des valeurs manquantes lors de l’optimisation

Cette option est disponible pour les types de modèles suivants depuis le Module d'analyse prédictive fichier .

MARS^®
Random Forests^®
TreeNet^®

Sélectionnez cette option afin que la recherche inclue des solutions sans valeurs. Des valeurs manquantes sont possibles pour des prédicteurs dont les valeurs manquaient dans l’ensemble de données d’entraînement lors de la construction du modèle. Considérez cette option lorsqu’une solution sans valeurs est pertinente pour votre application. Par exemple, si les valeurs manquantes représentent des valeurs inférieures à un seuil détectable pour une variable continue, alors une interprétation d’une valeur manquante dans la solution consiste à minimiser ce prédicteur dans l’application.

Si vous sélectionnez cette option, vous pouvez sélectionner Maintenir à la valeur manquante comme contrainte les prédicteurs dont les valeurs manquantes dans les données d’entraînement. Sélectionnez Maintenir à la valeur manquante un prédicteur de sorte que celui-ci soit toujours absent dans toutes les solutions. Sans Maintenir à la valeur manquante, l’algorithme tente de ne prendre des valeurs manquantes pour un prédicteur que si celui-ci a des valeurs manquantes dans les données d’entraînement et que l’analyse spécifie Tenez compte des valeurs manquantes lors de l’optimisation.

Contraintes

Vous pouvez maintenir des variables continues et catégorielles à une valeur spécifique ou limiter la plage de valeurs possibles.

Remarque

Les covariables d’un plan factoriel doivent être maintenues à une valeur spécifique. Par défaut, Minitab définit la valeur sur la moyenne de la covariable. Les covariables d’un modèle linéaire général peuvent être libres ou contraintes.

Variable: Affiche toutes les variables incluses dans un modèle. Cette colonne est en lecture seule.
Contrainte: Pour chaque variable, sélectionnez Aucune contrainte, Maintenir à la valeur ou Contraindre à la région. Les covariables d’un modèle linéaire général ont l’option supplémentaire Maintenir à la moyenne. Si l’analyse autorise les valeurs manquantes et que le prédicteur avait des valeurs manquantes dans les données d’entraînement, l’option Maintenir à la valeur manquante est disponible.
Valeur de maintien: Pour chaque variable que vous avez spécifiée Maintenir à la valeur, entrez une valeur à laquelle la variable doit être conservée. Minitab utilise cette valeur pour le paramètre de variable afin de calculer les valeurs ajustées.
Inférieur: Pour chaque variable que vous avez spécifiée Contraindre à la région, entrez une valeur minimale. Minitab sélectionne une valeur supérieure ou égale à cette valeur.
Supérieur: Pour chaque variable que vous avez spécifiée Contraindre à la région, entrez une valeur maximale. Minitab sélectionne une valeur inférieure ou égale à cette valeur.

Valeurs de début

Si l’algorithme produit des résultats inacceptables, vous pouvez essayer d’améliorer les résultats en entrant un point de départ pour l’algorithme de recherche. Cette option est disponible pour les modèles du Stat menu et les modèles de Regressão Linear et Regressão Logística Binária depuis le Module d'analyse prédictive.

Variable: Affiche toutes les variables continues incluses dans un modèle ajusté. Cette colonne est en lecture seule.
Valeur de début: Indiquez une valeur pour chaque variable continue. Chaque valeur doit être comprise entre les valeurs minimale et maximale observées pour cette variable. Si vous spécifiez une contrainte pour une variable, la valeur de départ doit satisfaire à la contrainte. Vous ne pouvez pas entrer une valeur de départ lorsque vous spécifiez une valeur de maintien pour une variable.

Niveau de confiance pour tous les intervalles

Cette option est disponible pour les modèles du menu et pour les Stat modèles de régression linéaire et de régression logistique binaire à partir Module d'analyse prédictive du.

Entrez le niveau de confiance des intervalles de confiance pour les coefficients et les valeurs ajustées.

Un niveau de confiance de 95 % est généralement efficace. Un niveau de confiance de 95 % indique que, si vous préleviez 100 échantillons aléatoires de la population, les intervalles de confiance d’environ 95 échantillons contiendraient la réponse moyenne. Pour un fichier de données spécifique, un niveau de confiance inférieur produit un intervalle moins large et un niveau de confiance supérieur produit un intervalle plus large.

Remarque

Pour afficher les intervalles de confiance, sélectionnez Résultats. Sous Affichage des résultats, sélectionnez Tableaux développés.

Type d’intervalle de confiance

Cette option est disponible pour les modèles du menu et pour les Stat modèles de régression linéaire et de régression logistique binaire à partir Module d'analyse prédictive du.

Vous pouvez sélectionner un intervalle bilatéral ou une borne unilatérale. Pour le même niveau de confiance, une borne unilatérale est plus proche de l’estimation ponctuelle que les limites d’un intervalle bilatéral. La borne supérieure ne fournit pas de valeur inférieure probable. Si vous demandez une borne supérieure, il n'existe pas de borne inférieure. Si vous demandez une borne inférieure, il n'existe pas de borne supérieure.

Par exemple, la concentration moyenne prévue de solides dissous dans l'eau est de 13,2 mg/L. § L’intervalle de confiance à 95 % pour la moyenne des observations futures multiples est de 12,8 mg/L à 13,6 mg/L. La limite supérieure de 95 % de la moyenne de plusieurs observations futures est de 13,5 mg/L, ce qui est plus précis parce que la limite est plus proche de la moyenne prévue.

Bilatéral

Utilisez un intervalle de confiance bilatéral pour estimer les valeurs inférieures et supérieures probables de la réponse moyenne.
Utilisez un intervalle de prédiction bilatéral pour estimer les valeurs inférieures et supérieures probables d’une seule observation future.

Borne inférieure

Utilisez une borne de confiance inférieure pour estimer une valeur probablement inférieure pour la réponse moyenne.
Utilisez une limite de prédiction inférieure pour estimer une valeur probablement inférieure pour une seule observation future.

Borne supérieure

Utilisez une borne de confiance supérieure pour estimer une valeur probablement plus élevée pour la réponse moyenne.
Utilisez une limite supérieure de prédiction pour estimer une valeur probablement plus élevée pour une seule observation future.