TreeNet^® 분류와 함께 모형 적합의 예

참고

이 명령은 에서 사용할 수 있습니다예측 분석 모듈. 모듈을 활성화하는 방법에 대한 자세한 내용은 여기를 클릭하십시오.

연구원 팀은 심장병에 영향을 미치는 요인에 관하여 상세한 정보를 수집하고 게시합니다. 변수는 나이, 성별, 콜레스테롤 수치, 최대 심장 박동 등을 포함합니다. 이 예제는 심장병에 대한 자세한 정보를 제공하는 공개 데이터 세트를 기반으로 합니다. 원래 데이터는 archive.ics.uci.edu에서 볼 수 있습니다.

중요한 예측 변수를 식별하기 위해 초기 탐색 CART^® 분류 후 연구원은 동일한 데이터 세트에서 더 집약적인 모델을 만들기 위해 와 TreeNet^® 분류 를 모두 Random Forests^® 분류 사용합니다. 연구원은 모형 요약 표와 결과의 ROC 그림을 비교하여 어떤 모형이 더 나은 예측 결과를 제공하는지 평가합니다. 다른 분석의 결과는 CART® 분류 예제 및 Random Forests® 분류 예제에서 확인하십시오.

표본 데이터 심장질환바이너리.MTW를 엽니다.
예측 분석 모듈 > TreeNet® 분류 > 모형 적합을 선택합니다.
드롭다운 목록에서 이항 반응을 선택합니다.
반응에 심장 병를 입력합니다.
반응 사건에서 환자에게 심장병이 확인되었음을 나타내려면 예를 선택합니다.
계량형 예측 변수 에는 연령, 나머지 혈압, 콜레스테롤, 최대 심박수, 올드 피크 를 입력합니다..
범주형 예측 변수에는 섹스, 흉통 유형, 단식 혈당, 레스트 심전도, 운동 협 심 증, 경사, 주요 선박, 탈를 입력합니다.
확인을 클릭합니다.

결과 해석

이 분석을 위해 Minitab은 300개의 트리를 키우고 최적의 트리 수는 298개입니다. 최적의 트리 수가 모형이 키우는 최대 트리 수에 근접해지기 때문에 연구원들은 더 많은 트리로 분석을 반복합니다.

모형 요약

전체 예측 변수	13
중요 예측 변수	13
성장한 트리 수	300
최적의 트리 수	298

통계량	교육	검정
평균 음수 로그 우도	0.2556	0.3881
ROC 곡선 아래 면적	0.9796	0.9089
95% CI	(0.9664, 0.9929)	(0.8759, 0.9419)
향상도	2.1799	2.1087
오분류 비율	0.0891	0.1617

500개의 트리가 있는 예

결과에서 하이퍼파라미터 튜닝 를 선택합니다.
트리 수에 500를 입력합니다.
결과 표시을 클릭합니다.

결과 해석

이 분석을 위해 500개의 트리가 자라고 최적의 트리 수는 351개였습니다. 최상의 모형은 학습 속도 0.01을 사용하고, 0.5의 하위 표본 부분을 사용하며, 6을 최대 단말 노드 수로 사용합니다.

방법

최적 트리 수 선택 기준	최대 로그 우도
모형 검증	5-접기 교차 검증
학습률	0.01
하위 표본 선택 방법	완전 랜덤
하위 표본 부분	0.5
트리당 최대 터미널 노드 수	6
최소 단말 노드 크기	3
노드 분할을 위해 선택된 예측 변수 수	총 예측 변수 수 = 13
사용된 행	303

이항 반응 정보

변수	등급	카운트	%
심장 병	예 (사건)	139	45.87
	아니요	164	54.13
	모두	303	100.00

하이퍼파라미터 튜닝을 통한 TreeNet® 분류: 심장 병 대 연령, 나머지 혈압, 콜레스테롤, 최대 심박수, 올드 피크, 섹스, 흉통 유형, 단식 혈당, 레스트 심전도, 운동 협 심 증, 경사, 주요 선박, 탈

방법

최적 트리 수 선택 기준	최대 로그 우도
모형 검증	5-접기 교차 검증
학습률	0.001, 0.01, 0.1
하위 표본 부분	0.5, 0.7
트리당 최대 터미널 노드 수	6
최소 단말 노드 크기	3
노드 분할을 위해 선택된 예측 변수 수	총 예측 변수 수 = 13
사용된 행	303

이항 반응 정보

변수	등급	카운트	%
심장 병	예 (사건)	139	45.87
	아니요	164	54.13
	모두	303	100.00

하이퍼파라미터 최적화

검정

모형	최적의 트리 수	평균 음수 로그 우도	ROC 곡선 아래 면적	분류 율 잘못	학습률	하위 표본 부분	최대 단말 노드
1	500	0.542902	0.902956	0.171749	0.001	0.5	6
2*	351	0.386536	0.908920	0.175027	0.010	0.5	6
3	33	0.396555	0.900782	0.161694	0.100	0.5	6
4	500	0.543292	0.894178	0.178142	0.001	0.7	6
5	374	0.389607	0.906620	0.165082	0.010	0.7	6
6	39	0.393382	0.901399	0.174973	0.100	0.7	6

모형 요약

전체 예측 변수	13
중요 예측 변수	13
성장한 트리 수	500
최적의 트리 수	351

통계량	교육	검정
평균 음수 로그 우도	0.2341	0.3865
ROC 곡선 아래 면적	0.9825	0.9089
95% CI	(0.9706, 0.9945)	(0.8757, 0.9421)
향상도	2.1799	2.1087
오분류 비율	0.0759	0.1750

모형 요약

전체 예측 변수	13
중요 예측 변수	13

통계량	OOB
평균 음수 로그 우도	0.4004
ROC 곡선 아래 면적	0.9028
95% CI	(0.8693, 0.9363)
향상도	2.1079
오분류 비율	0.1848

모형 요약 표는 트리 수가 351일 때 평균 음수 로그 우도가 학습 데이터에 대해 약 0.23이며 검정 데이터에 대해 약 0.39임을 보여줍니다. 이러한 통계는 Minitab Random Forests®에서 만드는 모형과 유사한 모형을 나타냅니다. 오분류 비율도 비슷합니다.

상대 변수 중요도 그래프는 트리 시퀀스에 대한 예측 변수에 분할이 이루어질 때 모형 개선에 미치는 영향 순으로 예측 변수를 표시합니다. 가장 중요한 예측 변수는 Thal입니다. 상위 예측 변수인 Thal의 기여도가 100%인 경우 다음으로 중요한 변수인 주요 출혈은 97.8%의 기여도를 가집니다. 이것은 주요 출혈이 이 분류 모형의 Thal만큼 중요한 97.8%임을 의미합니다.

오차 행렬

		예측된 등급(교육)			예측된 등급(검정)
실제 등급	카운트	예	아니요	정답률(%)	예	아니요	정답률(%)
예 (사건)	139	124	15	89.21	110	29	79.14
아니요	164	8	156	95.12	24	140	85.37
모두	303	132	171	92.41	134	169	82.51

통계량	교육(%)	검정(%)
진양성률(민감도 또는 검정력)	89.21	79.14
가양성률(유형 I 오차)	4.88	14.63
가음성률(유형 II 오차)	10.79	20.86
진음성률(특이성)	95.12	85.37