このコマンドは、予測分析モジュールで使用できます。モジュールをアクティブにする方法については、ここをクリックしてください

研究チームは、アイオワ州エイムズの個々の居住用不動産の販売データを収集しています。研究者は、販売価格に影響を与える変数を特定したいと考えています。変数には、ロットサイズや居住用不動産のさまざまな特徴が含まれます。

重要な予測変数を特定するためにCART® 回帰で最初の探査を行った後、研究者はRandom Forests® 回帰を使用して同じデータセットからより集約的なモデルを作成します。研究者は、結果のモデル要約表とR2プロットを比較して、どちらが予測精度の高いモデルかを評価します。

これらのデータは、エイムズ住宅データの情報を含む公開データセットに基づいて調整されています。Truman州立大学DeCock教授からのオリジナルデータ。

  1. エイムズ住宅.MTWサンプルデータを開きます。
  2. 予測分析モジュール > Random Forests® 回帰を選択します。
  3. 応答販売価格を入力します。
  4. 連続予測変数に、ロット・フロンジ販売年を入力します。
  5. カテゴリ予測変数に、タイプ販売条件を入力します。
  6. オプションをクリックします。
  7. ノード分割の予測変数の数で、予測変数の総数のKパーセント、K =を選択し、30と入力します。 研究者は、この分析にデフォルトの予測変数より大きな値を使用したいと考えています。
  8. 各ダイアログボックスのOKをクリックします。

結果を解釈する

この分析では、観測値の数は2930です。300個のブートストラップサンプルの各自が、2930個の観測値を選択して置換し、木を作成します。この方法は、予測変数の総数の30%を使用してノードを分岐します。また、応答情報表には、観測値の共通の記述統計量が示されます。

Random Forests® 回帰: 販売価格 対 ロット・フロンジ, ロットエリア, ベニヤエリア, 地下1階, 地下2, 地下未完成地域, ...

方法 モデル検証 アウトオブバッグデータを使用した検証 ブートストラップサンプルの数 300 サンプルサイズ 2930のトレーニングデータサイズと同じ ノード分岐に対して選択された予測変数の数 予測変数の合計数の30% = 23 最小内部ノードのサイズ 5 使用中の行 2930
応答情報 平均 標準偏差 最小 Q1 中央値 Q3 最大 180796 79886.7 12789 129500 160000 213500 755000

R二乗対木の数プロットは、増加した木の数に対する曲線全体を示します。木の数が増加すると、R2 値は急速に増加し、約91%で平坦化します。

Random Forests® 回帰: 販売価格 対 ロット・フロンジ, ロットエリア, ベニヤエリア, 地下1階, 地下2, 地下未完成地域, ...

モデル要約 合計予測変数 77 重要な予測変数 68 統計量 アウトオブバッグ R二乗 90.90% 二乗平均平方根誤差(RMSE) 24097.3281 平均平方誤差 (MSE) 580681222.4890 平均絶対偏差 (MAD) 14746.8323 平均絶対パーセント誤差(MAPE) 0.0895

モデル要約表は、R2値が対応するCART®分析のR2値よりもわずかに改善されていることを示しています。

相対変数重要度グラフは、木のシーケンスに対して予測変数で分岐が行われたときに、モデルの改善に対する予測変数の効果の順に予測変数をプロットします。販売価格を予測するための最も重要な予測変数は品質です。最上の予測変数である品質の重要度が100%の場合、次に重要な変数である居住面積SFは88.8%の寄与度を有します。これは、居住面積が不動産の全体的な品質と88.8%同等の重要度があることを意味します。次に重要な変数は近隣環境で、52.6%の寄与度を有します。

適合された販売金額と実際の販売金額の散布図は、アウトオブバッグデータの適合値と実際の値の関係を示しています。グラフ上のポイントにカーソルを合わせると、プロットされた値をより簡単に確認できます。この例では、多くのポイントが y=x の参照ライン付近に位置しますが、適合値と実測値の間に不一致が見られるために、いくつかのポイントを調査する必要があります。

本サイトを使用すると、分析およびコンテンツのカスタマイズのためにクッキーが使用されることに同意したことになります。  当社のプライバシーポリシーをご確認ください