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部分依存プロット

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

1つの予測変数の部分依存プロット

トレーニングデータセットにm個の予測変数があると仮定し、x1, x2, ..., xmで示されるとします。まず、トレーニングデータセット内のそれぞれの予測変数 x1 の値を昇順に並べ替えます。x11x1の最初の個別値として示されます。次に、x11はプロットでx座標の左端の点となります。

x1 = x11 でのy座標
用語説明
Nトレーニングデータセットに含まれる行数
の観測値 トレーニングデータ セット内の
jJ 行の各行
x1 = x11, x2 = x2j,...., xm = xmjの場合のモデルからの適合値

x11x1の個別値で置き換えると、プロット上の残りの点のy座標が得られます。残りの予測変数の計算も同様に行われます。

xのすべての個別値に対するすべてのy座標を計算しようとすると、大きなデータセットでは時間を要します。TreeNet®モデルでは、計算を高速化する方法があります。Friedman, J. H. (2001)を参照。欲張り関数の近似: グラデーションブースティングマシン。The Annals of Statistics, 29(5), page 1221.

多項応答の場合の計算も同様です。ここでは、適合値は個々のクラスのモデルから取得されます。

2つの予測変数の部分依存プロット

トレーニングデータセットにm個の予測変数があると仮定し、x1, x2, ..., xmで示されるとします。まず、トレーニングデータセット内の予測変数x1, x2の個別値を昇順に並べ替えます。x11, x21を個別のペアの1つとして示します。次に、各ペアは、曲面プロットの点に対しx座標とy座標を作成します。

x1 = x11x2 = x21でのz座標は同じ
用語説明
Nトレーニングデータセットに含まれるすべての行数は、すべてx1 = x11x2 = x21の共通性がある
トレーニングデータ セット内の
jJ 行の各行
x1 = x11, x2 = x21, x3 = x3j...., xm = xmjの場合の、モデルからの適合値

x1x2 のすべての個別値の組み合わせで計算が完了すると、等高線プロットまたは曲面プロットのすべてのz座標が生成されます。大きなデータセットの場合、xとyのすべての個別のペアを計算しようとすると時間がかかります。TreeNet®モデルでは、計算を高速化する方法があります。Friedman, J. H. (2001)を参照。欲張り関数の近似: グラデーションブースティングマシン。The Annals of Statistics, 29(5), page 1221.

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