최고의 모형 검색(계량형 반응) 에 대한 검증 방법 지정

예측 분석 모듈 > 자동화된 기계 학습 > 최고의 모형 검색(계량형 반응) > 검증

유효성 검사 방법을 선택하여 최상의 모델 유형을 결정합니다. 일반적으로 표본이 작은 경우 K-폴드 교차 검증 방법이 적합합니다. 더 큰 표본을 사용하면 학습 및 검증에 사용할 사례를 선택할 수 있습니다.

Minitab에서 제공하는 선택은 데이터 집합의 크기에 따라 다릅니다. 선택은 항 하위 대화 상자의 선택과 결합하여 엄격하고 계산 속도의 균형을 맞추는 분석을 제공합니다.

N 1,500: 서브디아로그의 유효성 검사 방법은 검증K-접기 교차 검증. 단위 수는 5입니다. 회귀 모형 선택 방법항 하위 대화 상자의 단계적 회귀 분석.
1,500 (n - 2,000): 서브디아로그의 유효성 검사 방법은 검증K-접기 교차 검증. 단위 수는 5입니다. 회귀 모형 선택 방법항 하위 대화 상자의 검증을 사용한 전진 선택.
2,000, ..., ni: 서브디아로그의 유효성 검사 방법은 검증검정 집합을 사용한 검증. 테스트 집합의 데이터 비율은 0.3입니다. 회귀 모형 선택 방법항 하위 대화 상자의 검증을 사용한 전진 선택

K-접기 교차 검증.

다음 단계를 완료하여 K-폴드 교차 검증 방법을 사용하여 검정 표본을 검증합니다.

드롭다운 리스트에서 K-접기 교차 검증 을 선택합니다.
시차 수 지정 기본값 5은 대부분의 경우에 잘 작동합니다. 두 경우 모두 접기 수가 많을수록 특히 행 수가 적은 데이터 집합의 경우 보다 신뢰할 수 있는 예측 모형을 선택할 가능성이 증가하지만 계산 시간이 크게 늘어날 수 있습니다. 숫자가 많을수록 계산 시간이 크게 늘어을 수 있습니다.
(선택 사항) ID 열을 저장하려면 K-접기 교차 검증을 위한 ID 열 저장 을 선택합니다.

다음 단계를 완료하여 학습 및 검정에 사용할 데이터를 지정합니다. 대부분의 경우 데이터의 70%가 학습에 사용되며 데이터의 30%가 검정에 사용됩니다.

드롭다운 리스트에서 검정 집합을 사용한 검증 을 선택합니다.
테스트 집합에 대한 데이터의 분수를 지정합니다. 기본값 0.3은 대부분의 경우에 잘 작동합니다. 대규모 데이터 집합의 경우 검정에 사용되는 데이터를 늘릴 수 있습니다. 난수 생성기의 기준값을 설정할 수도 있습니다. 해석의 다른 실행에서 동일한 베이스를 입력하면 테스트 집합에 행 할당이 동일합니다.
(선택 사항) ID 열을 저장하려면 교육/검정 분할을 위한 ID 열 저장 을 선택합니다.