ベストモデルの検出(2値応答) から代替モデルを選択

既存のモデルを選択する

最適なモデルの検索では、内部ノードの最小サイズが異なる最大 3 つのランダム フォレスト^® モデルが生成されます。リストからモデルを選択し、クリック 結果を表示 してそのモデルの結果を生成します。

新しいモデルに合わせてハイパーパラメーターを指定する

既存のモデルを選択する

最適なモデルの検索では、ハイパーパラメーターの組み合わせごとに、TreeNet^® モデルが生成されます。リストからモデルを選択し、クリック 結果を表示 してそのモデルの結果を生成します。

新しいモデルに合わせてハイパーパラメーターを指定する

解析では、すべてのハイパーパラメーターを指定する必要があります。 結果を表示 クリックして、新しいモデルのハイパーパラメーターを評価します。結果には、ハイパーパラメーターのさまざまな組み合わせの最適性基準と、モデルの結果を、分析の精度基準の最適な値 (平均 -対数尤度の最小値など) と比較する表が含まれます。

学習率

最大10個の値を入力します。有効値は0.0001～1の範囲になります。

サブサンプル割合

最大10個の値を入力します。有効値は0より大きく1以下の数です。

木あたりの最大ターミナルノード数および木の最大深度

木あたりの最大ターミナルノード数または木の最大深度のどちらを評価するかを選択します。通常、どちらの選択も有用なモデルを識別する妥当な方法であり、選択は各自の好みによって行われます。

最大ターミナル ノード数

最大3個の値を入力します。有効値は2～2000の範囲になります。2の値は交互作用の調査を除外します。

木の最大深度

最大3個の値を入力します。木の最大深さを表すのに有効な値は2～1000です。ルートノードは深さ1に対応します。多くのアプリケーションでは、4から6までの深さで、合理的に良いモデルが得られます。

ノード分割の予測変数の数

最大3個の値を入力します。対象となる値は、1 から予測変数の合計数の間です。通常、予測変数の総数の平方根を考慮すると、分析が適切に機能します。ただし、いくつかのデータセットは、分析が各ノードの予測変数がより多い、またはより少ない場合を考慮したときに、モデルパフォーマンスの向上につながる予測変数間の関連性を持っています。

木の数

1～5000の値を指定して、構築する木の最大数を設定します。デフォルト値の300は、通常、ハイパーパラメーター値の評価に有用な結果を提供します。

対象となる1つ以上のモデルが、指定した木の数に近い木の数を持つ場合は、木の数を増やすかどうかを検討します。木の数が最大数に近い場合、木の数を増加するとモデルのパフォーマンスが向上する可能性が高くなります。