Preditores totais

O número de preditores totais disponíveis para a árvore. Esta é a soma dos preditores contínuos e dos preditores categóricos especificados por você.

Preditores importantes

O número de preditores importantes na árvore. Os preditores importantes são as variáveis usadas como divisores primários ou substitutos.

Interpretação

Você pode usar o gráfico de Importância Relativa da Variável para exibir a ordem de importância relativa da variável. Por exemplo, suponha que 10 dos 20 preditores sejam importantes na árvore, o gráfico de Importância Relativa da Variável exibe as variáveis em ordem de importância.

Número de nós terminais

Um nó terminal é um nó final que não pode continuar a ser dividido.

Interpretação

Você pode usar as informações dos nós terminais para fazer predições.

Tamanho mínimo do nó terminal

O tamanho mínimo do nó terminal é o nó terminal com o menor número de casos.

Interpretação

Por padrão, o Minitab define o número mínimo de casos permitidos para um nó terminal como 3; no entanto, o tamanho mínimo do nó terminal em uma árvore pode ser maior do que o número mínimo que a análise permite. Você pode alterar esse valor de limite na subcaixa de diálogo Opções.

R-quadrado

R2 é o percentual de variação na resposta que é explicada pelo modelo. Os outliers têm um efeito maior no R2 do que no MAD e MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística R2 para o conjunto de dados de treinamento e uma estatística R2 para o conjunto de dados de teste. Quando o método de validação é uma validação cruzada de K duplicações, o conjunto de dados de teste é cada duplicação quando a construção da árvore exclui essa duplicação. Normalmente, a estatística do teste R2 é uma medida melhor de como o modelo funciona para novos dados.

Interpretação

Use o R2 para determinar se o modelo ajusta bem seus dados. Quanto maior o valor R2, melhor o modelo ajusta seus dados. R2 está sempre entre 0% e 100%.

Você pode ilustrar graficamente o significado de diferentes valores de R2. O primeiro gráfico ilustra um modelo de regressão simples que explica 85,5% da variação na resposta. O segundo gráfico ilustra um modelo que explica 22,6% da variação da resposta. Quanto mais variação for explicada pelo modelo, mais perto dos valores ajustados caem os pontos de dados. Teoricamente, se um modelo puder explicar 100% da variação, os valores ajustados sempre equivaleriam aos valores observados e todos os pontos de dados cairiam sobre a linha y = x.

Um teste R2 substancialmente menor do que o R2 de treinamento indica que a árvore pode não predizer os valores de resposta para novos casos tão bem quanto a árvore ajusta o conjunto de dados atual.

Raiz do quadrado médio do erro (RMSE)

A raiz do quadrado médio do erro (RMSE) mede a exatidão da árvore. Os outliers exercem um efeito maior sobre o RMSE do que sobre o MAD e o MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística RMSE para o conjunto de dados de treinamento e uma estatística RMSE para o conjunto de dados de teste. Quando o método de validação é uma validação cruzada de K duplicações, o conjunto de dados de teste é cada duplicação quando a construção da árvore exclui essa duplicação. Normalmente, a estatística do teste RMSE é uma medida melhor de como o modelo funciona para novos dados.

Interpretação

Use para comparar os ajustes de árvores diferentes. Valores menores indicam um ajuste melhor. Um teste RMSE substancialmente menor do que o RMSE de treinamento indica que a árvore pode não predizer os valores de resposta para novos casos tão bem quanto a árvore ajusta o conjunto de dados atual.

Erro quadrado médio (MSE)

O erro quadrado médio (MSE) mede a exatidão da árvore. Os outliers exercem um efeito maior sobre o MSE do que sobre o MAD e o MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística MSE para o conjunto de dados de treinamento e uma estatística MSE para o conjunto de dados de teste. Quando o método de validação é uma validação cruzada de K duplicações, o conjunto de dados de teste é cada duplicação quando a construção da árvore exclui essa duplicação. Normalmente, a estatística do teste MSE é uma medida melhor de como o modelo funciona para novos dados.

Interpretação

Use para comparar os ajustes de árvores diferentes. Valores menores indicam um ajuste melhor. Um teste MSE substancialmente menor do que o MSE de treinamento indica que a árvore pode não predizer os valores de resposta para novos casos tão bem quanto a árvore ajusta o conjunto de dados atual.

Desvio absoluto médio (MAD)

O desvio absoluto médio (MAD) expressa exatidão nas mesmas unidades que os dados, o que ajuda a conceituar a quantidade de erro. Os outliers têm menos efeito sobre o MAD do que sobre o R2, RMSE e MSE.

Quando você usa um método de validação, a tabela inclui uma estatística MAD para o conjunto de dados de treinamento e uma estatística MAD para o conjunto de dados de teste. Quando o método de validação é uma validação cruzada de K duplicações, o conjunto de dados de teste é cada duplicação quando a construção da árvore exclui essa duplicação. Normalmente, a estatística do teste MAD é uma medida melhor de como o modelo funciona para novos dados.

Interpretação

Use para comparar os ajustes de árvores diferentes. Valores menores indicam um ajuste melhor. Um teste MAD substancialmente menor do que o MAD de treinamento indica que a árvore pode não predizer os valores de resposta para novos casos tão bem quanto a árvore ajusta o conjunto de dados atual.

Erro percentual absoluto médio (MAPE)

O erro percentual absoluto médio (MAPE) expressa exatidão como um percentual do erro. Como o MAPE é um percentual, pode ser mais fácil de entender do que a outra estatística de medida de exatidão. Por exemplo, se o MAPE, em média, é de 0,05, então a relação média entre o erro ajustado e o valor real em todos os casos é de 5%. Os outliers têm menos efeito sobre o MAPE do que sobre o R2, RMSE e MSE.

No entanto, às vezes você pode ver um valor MAPE muito grande, mesmo que a árvore pareça ajustar bem os dados. Examine o gráfico de valor de resposta ajustado versus real para ver se algum dos valores de dados estão próximos de 0. Como o MAPE divide o erro absoluto pelos dados reais, os valores próximos a 0 podem inflar muito o MAPE.

Quando você usa um método de validação, a tabela inclui uma estatística MAPE para o conjunto de dados de treinamento e uma estatística MAPE para o conjunto de dados de teste. Quando o método de validação é uma validação cruzada de K duplicações, o conjunto de dados de teste é cada duplicação quando a construção da árvore exclui essa duplicação. Normalmente, a estatística do teste MAPE é uma medida melhor de como o modelo funciona para novos dados.

Interpretação

Use para comparar os ajustes de árvores diferentes. Valores menores indicam um ajuste melhor. Um teste MAPE substancialmente menor do que o MAPE de treinamento indica que a árvore pode não predizer os valores de resposta para novos casos tão bem quanto a árvore ajusta o conjunto de dados atual.

Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política