TreeNet^® 분류를 통한 주요 예측 변수 검색에 대한 옵션 지정

TreeNet^® 분류 메뉴에서 주요 예측 변수 검색을(를) 선택할 때 용어를 제거하는 방법을 지정할 수 있습니다.

방법

가장 중요하지 않거나 가장 중요한 예측 변수를 먼저 제거할지 여부를 선택합니다.

중요하지 않은 예측 변수 제거

모형에 사용할 예측 변수의 하위 집합을 선택하기 위해 먼저 가장 중요하지 않은 예측 변수를 제거합니다. 예를 들어 500개의 예측 변수 집합을 10개의 가장 중요한 예측 변수로 줄입니다. 이 알고리즘은 순차적으로 가장 중요하지 않은 예측 변수를 제거하고 모형을 다양한 예측 변수 수와 비교할 수 있는 결과를 보여주며, 모형 선택 기준의 최상의 값으로 예측 변수 집합에 대한 결과를 생성합니다.

중요한 예측 변수를 제거하여 영향 평가

가장 중요한 예측 변수를 먼저 제거하여 모형에 미치는 영향을 평가합니다. 예를 들어 이 옵션을 사용하여 가장 중요한 예측 변수가 모형을 둘 때 평균 로그 우도 값의 변화를 확인합니다. 알고리즘은 가장 중요한 예측 변수를 순차적으로 제거하고, 각 중요한 예측 변수가 정확도 기준에 미치는 영향을 평가하고 모든 예측 변수를 가진 모형에 대한 결과를 생성할 수 있는 결과를 보여줍니다.

각 단계에서 K 예측 변수 제거

일반적으로 한 번에 1개의 예측 변수를 제거합니다. 예측 변수 수가 매우 많고 매우 중요한 예측 변수가 거의 없을 것으로 예상되는 경우 더 큰 값을 고려하십시오. 예를 들어 단계당 더 많은 예측 변수를 제거하고 제거 단계의 최대 수를 늘려 더 많은 예측 변수를 더 빠르게 제거할 수 있습니다.

최대 제거 수 단계

일반적으로 제거 단계의 최대 수는 검사하려는 감소된 모형의 수이지만 모형이 예측 변수가 부족하면 알고리즘이 일찍 중지됩니다. 수를 늘리면 일반적으로 예측 변수 수에 비해 각 단계에서 소수의 예측 변수를 제거하고 더 작은 모형을 볼 수 있도록 계속하려는 것입니다. 예를 들어 단계당 더 많은 예측 변수를 제거하고 제거 단계의 최대 수를 늘려 더 많은 예측 변수를 더 빠르게 제거할 수 있습니다. 이 값을 줄여서 대체 모형 수를 줄여서 평가하십시오.

마지막으로 제거할 예측 변수 지정

예측 변수의 나머지 부분 이후에 제거할 예측 변수의 하위 집합을 지정합니다. 예를 들어 예측 변수가 10개이고 마지막으로 제거할 예측 변수 3개를 지정합니다. 알고리즘은 지정한 3개의 예측 변수 중 어느 것을 고려하기 전에 다른 7개의 예측 변수를 제거합니다. 일반적으로 하나 이상의 예측 변수에 특별한 관심이 있을 때 마지막으로 제거할 예측 변수를 지정합니다. 예를 들어 알고리즘이 이러한 예측 변수만 있는 모형을 평가하도록 마지막으로 제거할 예측 변수를 지정할 수 있습니다.

모형 선택 표 표시

학습 데이터에 대한 결과를 표시할지 여부를 선택합니다.

검정 집합의 경우

일반적으로 검정 집합에 대한 결과를 표시합니다. 알고리즘은 이러한 결과를 사용하여 제거할 변수를 결정합니다. 검정 결과는 모형이 새 관측치에 대한 반응 값을 적절하게 예측할 수 있는지 또는 반응과 예측 변수 간의 관계를 적절하게 요약할 수 있는지를 나타냅니다.

검정 및 학습 집합의 경우

학습 결과는 일반적으로 새 데이터에 대한 실제 결과보다 더 이상적입니다. 학습 결과는 참조용입니다.