TreeNet^® 분류를 통한 모형 적합 및 주요 예측 변수 검색에 대해 평가할 하이퍼파라미터 값 선택

TreeNet^® 모형의 성능은 일반적으로 학습 속도, 하위 표본 부분 및 모형을 형성하는 개별 트리의 복잡성에 민감합니다. 모형의 결과에서 하이퍼파라미터 튜닝을(를) 클릭하여 이러한 하이퍼파라미터의 여러 값을 평가하여 평균 로그 우도와 같은 정확도 기준의 최상의 값을 생성하는 조합을 알아보십시오. 이러한 하이퍼파라미터의 더 나은 값은 예측 정확도를 크게 향상시킬 수 있으므로 다양한 값을 탐색하는 것이 분석에서 일반적인 단계입니다.

모형에 포함된 트리 수를 조정할 수도 있습니다. 일반적으로 300개의 트리는 하이퍼파라미터의 값을 구분하기에 충분합니다. 일반적으로 하나 이상의 관심 모형에 대한 최적의 트리 수가 최대 트리 수에 가까울 때 트리 수를 늘립니다. 트리 수가 최대 수에 가까워지면 트리 수가 증가하여 모형의 성능을 향상시킬 가능성이 더 높아집니다.

각 하이퍼파라미터에 대해 하나 이상의 값을 지정합니다. 분석은 하이퍼파라미터를 평가하여 정확도 기준의 최상의 값과의 조합을 찾습니다. 하이퍼파라미터에 대한 값을 입력하지 않으면 평가는 결과의 모형에서 해당 하이퍼파라미터에 대한 값을 사용합니다. 반응이 이항이고 원래 모형이 표본에 대한 사건 및 비사건의 비율을 지정하는 경우 평가는 항상 원래 모형의 비율을 사용합니다.

빌드할 최대 트리 수를 지정하려면 1과 5000 사이의 값을 입력합니다. 기본 값 300은 일반적으로 하이퍼파라미터 값의 평가에 유용한 결과를 제공합니다.

하나 이상의 관심 모형에 지정한 트리 수에 가까운 여러 개의 트리가 있는 경우 트리 수를 늘릴지 여부를 고려합니다. 트리 수가 최대 수에 가까워지면 트리 수가 증가하여 모형의 성능을 향상시킬 가능성이 더 높아집니다.

검토할 값을 지정한 후 결과 표시을(를) 클릭합니다. 새로운 결과 집합에서 Minitab은 하이퍼파라미터 조합의 정확도 기준과 모형의 결과를 정확도 기준의 최상의 값과 비교하는 표를 생성합니다.

Minitab은 원래 모형과 동일한 새 모형에 대한 표와 그래프를 다시 생성합니다. 새 모형의 표와 그래프는 새로운 결과 집합에 있습니다. 저장소는 원래 분석과 동일합니다. 저장소 열은 동일한 워크시트에 있습니다. 예를 들어 원래 분석이 "Fit"이라는 제목의 열에 적합치를 저장한 다음 새 분석이 빈 열 "Fit_1"을 제목으로 지정하고 적합치를 저장합니다.