Tabela Sumário do modelo para Regressão Random Forests®

Observação

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

Encontre definições e orientações de interpretação para a tabela Sumário do Modelo. Se você adicionar validação com um conjunto de teste para validação com os dados fora da sacola, então o Minitab exibirá resultados para ambos os métodos de validação.

Preditores totais

O número de preditores totais disponíveis para a modelo de Random Forests®. O total é a soma dos preditores contínuos e categóricos especificados por você.

Preditores importantes

O número de preditores importantes no modelo de Random Forests®. Os preditores importantes têm pontuações de importância maiores que 0,0. Você pode usar a carta de Importância Relativa da Variável para exibir a ordem de importância relativa da variável. Por exemplo, suponha que 10 dos 20 preditores sejam importantes no modelo, a carta de Importância Relativa da Variável exibe as variáveis em ordem de importância.

R-quadrado

R2 é a porcentagem de variação na resposta que o modelo explica.

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.
Observação

Como a Random Forests® usa dados fora da sacola para calcular R2, mas não para se adequa ao modelo, o excesso de adaptação do modelo não é uma preocupação.

Raiz do quadrado médio do erro (RMSE)

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

Interpretação

Use para comparar os ajustes de modelos diferentes. Valores menores indicam um ajuste melhor.

Erro quadrado médio (MSE)

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

Interpretação

Use para comparar os ajustes de modelos diferentes. Valores menores indicam um ajuste melhor.

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.

Interpretação

Use para comparar os ajustes de modelos diferentes. Valores menores indicam um ajuste melhor.

Erro percentual absoluto médio (MAPE)

O erro percentual absoluto médio (MAPE) expressa o tamanho do erro em relação ao tamanho do valor de resposta. Assim, o mesmo erro de tamanho terá um valor MAPE maior para um valor menor da variável de resposta do que para um valor maior. 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 o modelo 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.

Interpretação

Use para comparar os ajustes de modelos diferentes. Valores menores indicam um ajuste melhor.

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