TreeNet^® 分類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の方法と式

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, ..., x_m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。x₁₁はx₁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
j	J 行の各行
	x1 = x11, x2 = x2j,...., xm = xmjの場合のモデルからの適合値

x₁₁ を x₁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^®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。

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, ..., x_m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 = x₁₁、x₂ = 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 = x11、x2 = x21の共通性がある
j	J 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

x₁ と x₂ 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.