에 대한 TreeNet® 회귀
분석기본 메서드를 지정합니다. 변경된 기본 설정은 Minitab을 종료한 후에도 설정을 다시 변경할 때까지 유지됩니다.
손실
함수
모형을 만들 수 있는 손실 함수를 선택합니다. 여러 함수의 결과를 비교하여 용도에 가장 적합한 선택을 결정할 수 있습니다.
제곱
오차: 이것은 평균 기반 손실 함수입니다. 이 손실 함수는 많은 용도에서 잘 작동합니다.
절대
편차: 절대 편차 함수는 중위수 기반 손실 함수입니다.
Huber: Huber 함수는 제곱 오차 및 절대 편차 함수의 혼합입니다.
Huber 함수를 사용하여 전환
값를 지정합니다. 손실 함수는 제곱 오차로 시작됩니다. 손실 함수는 값이 전환 값보다 작은 한 제곱 오차로 유지됩니다. 제곱 오차가 전환 값을 초과하면 손실 함수가 절대 편차가 됩니다. 절대 편차가 전환 값보다 적으면 손실 함수가 다시 제곱 오차가 됩니다.
트리당 최대
터미널 노드 수 및 최대 트리
깊이
트리 크기를 제한할 수도 있습니다. 트리 크기를 제한하려면 다음 중 하나를 선택합니다.
트리당 최대
터미널 노드 수: 트리의 최대 단말 노드 수를 나타내는 2에서 2000 사이의 값을 입력합니다. 일반적으로 6은 계산 속도와 변수 간 교호작용 조사 간에 적절한 균형을 제공합니다. 2 값은 교호작용 조사를 제거합니다.
최대 트리
깊이: 트리의 최대 깊이를 나타내는 2에서 1000 사이의 값을 입력합니다. 루트 노드는 깊이 1에 해당합니다. 많은 용도에서 4에서 6까지의 깊이는 합리적으로 좋은 모형을 제공합니다.
결측값 페널티
결측값이 있는 예측 변수의 패널티 값을 입력합니다. 데이터가 적은 좋은 스플리터가 되기 쉽기 때문에 데이터가 누락된 예측 변수는 데이터를 놓치지 않고 예측 변수보다 우위를 점합니다. 이 옵션을 사용하여 데이터가 누락된 예측 변수에 불이익을 줍니다.
0.0 ≤ K ≤ 2.0, 예:
K = 0: 페널티를 지정하지 않습니다.
K = 2: 최고 페널티를 지정합니다.
높은 수준 범주 페널티
값이 많은 범주형 예측 변수에 대해 페널티 값을 입력합니다. 수준이 많은 범주형 예측 변수는 분할 누승 증가로 인해 트리를 왜곡할 수 있기 때문에 수준이 적은 예측 변수보다 우위를 점할 수 있습니다. 이 옵션을 사용하여 많은 수준의 예측 변수에 불이익을 줍니다.
