TreeNet® 回帰による適合モデルおよび主要な予測変数を検出のモデル要約表

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

モデル要約表の定義と解釈について理解してください。

Minitabでは、トレーニングとテストの両方のデータセットの結果が表示されます。テストの結果は、モデルが新しい観測値の応答値を適切に予測できるか、または応答変数と予測変数の関係を適切に要約できるかを示します。トレーニング結果を使用して、モデルのオーバーフィットを評価します。

合計予測変数

TreeNet®モデルで使用できる合計予測変数。合計は、指定した連続予測変数とカテゴリ予測変数の総数です。

重要な予測変数

TreeNet®モデルの重要な予測変数の数。重要な予測変数には、0.0 より大きい重要度スコアがあります。相対変数重要度グラフを使用して、相対変数の重要度の順序を表示することができます。たとえば、モデルで20個の予測変数のうち10個が重要であるとすると、相対変数重要度グラフは重要な順に変数を表示します。

成長した木の数

デフォルトでは、TreeNet®モデルを作成するために300の小さなCART®ツリーが成長します。この値はデータの探索に適していますが、最終的なモデルを生成するためにより多くのツリーを成長させるかどうかを検討してください。成長する木の数を変更するには、[オプション]サブダイアログボックスに移動します。

最適な木の数

木の最適な数は、R2の最大値またはMADの最小値に対応します。

最適な木の数が、モデルが成長する木の最大数に近い場合は、木の数が多い解析を検討してください。したがって、300本のツリーを成長させ、最適な数が298として戻ってきた場合は、より多くのツリーを使用してモデルを再構築します。最適な数が最大数に近い場合は、木の数を増やし続けます。

R二乗

R2は、モデルによって説明される応答の変動のパーセントです。外れ値は、平均絶対偏差 (MAD) や 平均絶対パーセント誤差 (MAPE) に対してよりも、 R2に大きな影響を与えます。

検証法を使用する場合、表にはトレーニングデータセットのR2統計量とテストデータセットのR2統計量が含まれます。検証法がK分割交差検証の場合、検定データセットはモデルの生成において除外される各分割になります。通常、テストのR2統計量は、新しいデータに対してモデルがどのように働くかについての、優れた指標です。

解釈

R2を使用して、モデルがデータにどの程度適合するかを判断します。R2値が高いほど、モデルが良好にデータに適合します。R2は常に0%から100%の間です。

さまざまなR2値の意味をグラフィカルに示すことができます。最初のプロットは、応答における85.5%の変動を説明する単回帰モデルを図示しています。2つ目のプロットは、応答における22.6%の変動を説明するモデルを図示しています。モデルによって説明される変動が多いほど、データ点が適合値に近づきます。理論上、モデルが変動の100%を説明できる場合、適合値は常に観測値と等しく、すべてのデータ点はy = x 線上にあるでしょう。

テストR2がトレーニングのR2より大幅に小さい場合は、モデルが現在のデータセットに適合するほどは新しいケースの応答値を予測しない可能性があることを示します。

二乗平均平方根誤差 (RMSE)

二乗平均平方根誤差 (RMSE) は、モデルの正確性を評価します。外れ値は、MADやMAPEに対してよりも、RMSEに大きな影響を与えます。

検証法を使用する場合、表にはトレーニングデータセットのRMSE統計量とテストデータセットのRMSE統計量が含まれます。検証法がK分割交差検証の場合、検定データセットはモデルの生成において除外される各分割になります。通常、テストのRMSE統計量は、新しいデータに対してモデルがどのように働くかについての、優れた指標です。

解釈

さまざまなモデルの適合値を比較するためにを使用します。値が小さいほど、適合性が高いことを示します。テストのRMSEがトレーニングのRMSEより大幅に小さい場合は、モデルが現在のデータセットに適合するほどは新しいケースの応答値を予測しない可能性があることを示します。

平均二乗誤差 (MSE)

平均二乗誤差 (MSE) は、モデルの正確性を評価します。外れ値は、MADやMAPEに対してよりも、MSEに大きな影響を与えます。

検証法を使用する場合、表にはトレーニングデータセットの誤差のMSE統計量とテストデータセットのMSE統計量が含まれます。検証法がK分割交差検証の場合、検定データセットはモデルの生成において除外される各分割になります。通常、テストのMSE統計量は、新しいデータに対してモデルがどのように働くかについての、優れた指標です

解釈

さまざまなモデルの適合値を比較するためにを使用します。値が小さいほど、適合性が高いことを示します。テストのMSEがトレーニングのMSEより大幅に小さい場合は、モデルが現在のデータセットに適合するほどは新しいケースの応答値を予測しない可能性があることを示します。

平均絶対偏差 (MAD)

平均絶対偏差(MAD)は、データと同じ単位で正確性を表し、誤差の量を概念化するのに役立つます。外れ値は、R2、RMSE、およびMSEに対してよりも、MADに対する影響が少ないです。

検証法を使用する場合、表には、トレーニングデータセットの MAD統計量とテストデータセットのMAD統計量が含まれます。検証法がK分割交差検証の場合、検定データセットはモデルの生成において除外される各分割になります。通常、テスト MAD統計は、新しいデータに対してモデルがどのように働くかについての、優れた指標です

解釈

さまざまなモデルの適合値を比較するためにを使用します。値が小さいほど、適合性が高いことを示します。テストのMADがトレーニングのMADより大幅に小さい場合は、モデルが現在のデータセットに適合するほどは新しいケースの応答値を予測しない可能性があることを示します。

平均絶対パーセント誤差 (MAPE)

平均絶対パーセント誤差(MAPE)では、精度を誤差のパーセント値として表します。MAPEはパーセント値であるため、他の精度の測度を表す統計量よりも容易に理解できます。たとえば、MAPE が平均で0.05の場合、適合誤差とすべてのケースの実際の値の平均比率は5%になります。外れ値は、R2、RMSE、およびMSEに対してよりも、MAPEに対する影響が少ないです。

しかし、モデルがデータに良好に適合しているように見えても、非常に大きなMAPE値が表示されることがあります。適合値と実応答値のプロットを調べて、データ値が0に近いかどうかを調べます。MAPEは絶対誤差を実際のデータで割るため、0に近い値はMAPE を大きく増大させる可能性があります。

検証法を使用する場合、表にはトレーニングデータセットの MAPE統計量とテストデータセットのMAPE統計量が含まれます。検証法がK分割交差検証の場合、検定データセットはモデルの生成において除外される各分割になります。通常、テストのMAPE統計量は、新しいデータに対してモデルがどのように働くかについての、優れた指標です。

解釈

さまざまなモデルの適合値を比較するためにを使用します。値が小さいほど、適合性が高いことを示します。テストのMAPEがトレーニングのMAPEより大幅に小さい場合は、モデルが現在のデータセットに適合するほどは新しいケースの応答値を予測しない可能性があることを示します。

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