Selecione os gráficos a serem exibidos para Classificação Random Forests®

Módulo de análise preditiva > Classificação do Random Forests® > Gáficos
Observação

Este comando está disponível com o Módulo de análise preditiva. Clique aqui saber mais sobre como ativar o módulo.

Selecione os gráficos que deseja exibir para a realização da análise.

Gráfico de taxa de classificação incorreta vs. número de árvores
O gráfico de taxa de classificação incorreta vs. número de árvores mostra o relacionamento entre os erros de classificação e a quantidade de árvores. Se você fornecer um conjunto de teste separado, o gráfico incluirá duas curvas para os dados fora da sacola e para o conjunto de testes.
Gráfico de importância da variável
O gráfico de importância da variável mostra a importância relativa dos preditores. Você pode optar entre exibir todas ou algumas das variáveis importantes. As variáveis aumentam em importância quando dividem um nó em qualquer árvore na análise.
  • Exibir todas as variáveis importantes: Por padrão, este gráfico exibe todas as variáveis importantes.
  • Exibir uma porcentagem de variáveis importantes: Especifique o percentual de variáveis importantes serem exibidas. Insira um valor entre 0 e 100.
  • Exibir todas as variáveis preditoras: Exiba todos os preditores, sejam ou não variáveis importantes.
Método de classificação
Selecione como o Minitab calcula as pontuações de importância relativa das variáveis no gráfico de importância da variável. Para Permutação, o Minitab avalia em que medida o modelo piora o desempenho ao validar o modelo novamente com os valores permutados de uma variável no gráfico. Para Gini, o Minitab sumariza as melhorias que a variável faz para todas as árvores. Permutação é o método padrão para conjuntos de dados com 5000 registros ou menos. Pondere sobre o uso de Permutação para conjuntos de dados maiores quando a análise não demorar demais e a identificação de preditores importantes for um objetivo importante.
Curva característica de operação do receptor (ROC)
A curva característica de operação do receptor (ROC) mostra a capacidade de um modelo distinguir entre as classes. A curva ROC traça a taxa de positivos verdadeiros (TPR) em relação à taxa de falsos positivos (FPR).
Gráfico de ganho
O gráfico de ganhos acumulados ilustra a eficácia do modelo em uma porção da população. O gráfico de ganhos representa graficamente a taxa positiva verdadeira em porcentagem versus % da população.
Gráfico de elevação
O gráfico de ganho ilustra a eficácia do modelo preditivo. O gráfico traça o ganho acumulado versus % da população e exibe a diferença entre os resultados obtidos com e sem o modelo preditivo. Você pode especificar Acumulado ou Não acumulado para o gráfico de elevação.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política