Especifique as configurações padrão para Regressão TreeNet®

Arquivo > Opções > Análise preditiva > Regressão TreeNet®

Especifique as configurações padrão para Regressão TreeNet® As alterações feitas para os padrões permanecem até serem alterados novamente, mesmo depois que você sair do Minitab.

Função de perda
Escolha a função de perda para criar seu modelo. Você pode comparar os resultados de várias funções para determinar a melhor escolha para sua aplicação.
  • Erro quadrado: Esta é uma função de perda baseada em média. A função de perda funciona bem em muitas aplicações.
  • Desvio absoluto: A função de desvio absoluto é uma função de perda baseada em mediana.
  • Huber: A função Huber é um híbrido das funções de erro quadrado e de desvio absoluto.
Com a função Huber, especifique um Valor de comutação. A função de perda começa como a função de erro quadrado. A função de perda permanece como erro quadrado, desde que o valor seja menor que o valor de comutação. Se o erro quadrado exceder o valor de comutação, então a função de perda se tornará uma função de desvio absoluto. Se o desvio absoluto se tornar menor que o valor de comutação, então a função de perda se torna uma função de erro quadrado novamente
Máximo de nós terminais por árvore E o Profundidade máxima da árvore
Você também pode limitar o tamanho das árvores. Escolha uma das seguintes opções para limitar o tamanho das árvores.
  • Máximo de nós terminais por árvore: Digite um valor entre 2 e 2000 para representar o número máximo de nós terminais de uma árvore. Normalmente, o valor padrão de 6 proporciona um bom equilíbrio entre a velocidade de cálculo e a investigação das interações entre as variáveis. Um valor de 2 elimina a investigação das interações.
  • Profundidade máxima da árvore: Digite um valor entre 2 e 1000 para representar a profundidade máxima de uma árvore. O nó raiz corresponde a uma profundidade de 1. Em muitas aplicações, profundidades de 4 a 6 dão modelos razoavelmente bons.
Penalidade de valor faltante
Insira um valor de penalidade para um preditor com valores ausentes. Como é mais fácil ser um bom divisor com menos dados, preditores com dados faltantes têm uma vantagem sobre os preditores sem perder dados. Use essa opção para penalizar preditores com dados faltantes.
0,0 ≤ K ≤ 2,0, por exemplo:
  • K = 0: Não especifica nenhuma penalidade.
  • K = 2: Especifica a maior penalidade.
Penalidade de categoria de nível superior
Insira um valor de penalidade para preditores categóricos que tenham muitos valores. Como preditores categóricos com muitos níveis podem distorcer uma árvore devido ao seu aumento do poder de divisão, eles têm uma vantagem sobre os preditores com menos níveis. Use esta opção para penalizar preditores com muitos níveis.
0,0 ≤ K ≤ 5,0, por exemplo:
  • K = 0: Não especifica nenhuma penalidade.
  • K = 5: Especifica a maior penalidade.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política