Exemplo de Ajuste de modelo com Classificação TreeNet®

Observação

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

Uma equipe de pesquisadores coleta e publica informações detalhadas sobre fatores que afetam doenças cardíacas. As variáveis incluem idade, sexo, níveis de colesterol, frequência cardíaca máxima e muito mais. Este exemplo é baseado em um conjunto de dados públicos que fornece informações detalhadas sobre doenças cardíacas. Os dados originais são de archive.ics.uci.edu.

Após a exploração inicial com Classificação CART® para identificar os preditores importantes, os pesquisadores usam Classificação TreeNet® e Classificação Random Forests® para criar modelos mais aprofundados a partir do mesmo conjunto de dados. Os pesquisadores comparam a tabela de sumário do modelo e o gráfico ROC dos resultados para avaliar qual modelo proporciona um resultado de predição melhor. Para os resultados das demais análises, vá para Exemplo de criação de árvores com Classificação CART® e Exemplo de Classificação Random Forests®.

  1. Abra os dados amostrais, BinarioDeDoencasCardiacas.MTW.
  2. Selecione Módulo de análise preditiva > Classificação TreeNet® > Ajuste de modelo.
  3. Na lista suspensa, selecione Resposta binária.
  4. Em Resposta, digite Doença cardíaca.
  5. Em Evento de resposta, selecione Sim para indicar que a doença cardíaca foi identificada no paciente.
  6. Em Preditores contínuos, insira Idade, Pressão Arterial de descanso, Colesterol, Max Heart Rate, e Pico Antigo.
  7. Em Preditores categóricos, insira Sexo, Tipo de dor torácica, Açúcar no sangue em jejum, Resto ECG, Exercício Angina, Inclinação, Principais Navios, e Thal.
  8. Clique em OK.

Interprete os resultados

Para esta análise, o Minitab cultiva 300 árvores e o número ótimo de árvores é de 298. Como o número ótimo de árvores está próximo ao número máximo de árvores cultivadas pelo modelo, os pesquisadores repetem a análise com mais árvores.

Classificação TreeNet®: Doença cardí vs Idade; Pressão Arte; Colesterol; ...

Resumo do modelo Preditores totais 13 Preditores importantes 13 Número de árvores cultivadas 300 Número ótimo de árvores 298 Estatística Treinamento Teste Log-verossimilhança médio 0,2556 0,3881 Área sob a curva ROC 0,9796 0,9089 IC de 95% (0,9664; 0,9929) (0,8759; 0,9419) Elevação 2,1799 2,1087 Taxa de classificação incorreta 0,0891 0,1617

Exemplo com 500 árvores

  1. Após a tabela sumário do modelo, clique em Sintonizar hiperparâmetros para identificar um modelo melhor .
  2. Em Número de árvores, insira 500.
  3. Clique em Exibir resultados.

Interprete os resultados

Para esta análise, foram cultivadas 500 árvores e o número ótimo de árvores é de 351. O melhor modelo usa uma taxa de aprendizado de 0,01, usa uma fração de subamostra de 0,5 e usa 6 como o número máximo de nós terminais.

Classificação TreeNet®: Doença cardí vs Idade; Pressão Arte; Colesterol; ...

Método Critério para seleção do número ótimo de árvores Log-verossimilhança máximo Validação do modelo Validação cruzada de 5 dobras Taxa de aprendizado 0,01 Método de seleção da subamostra Completamente aleatório Fração da subamostra 0,5 Nós máximos terminais por árvore 6 Tamanho mínimo do nó terminal 3 Número de preditores selecionados para divisão de nós Número total de preditores = 13 Linhas usadas 303
Informações de resposta binária Variável Classe Contagem % Doença cardíaca Sim (Evento) 139 45,87 Não 164 54,13 Tudo 303 100,00

Classificação TreeNet® com ajuste de hiperparâmetros: Doença cardí versus Idade; Pressão Arte; ...

Método Critério para seleção do número ótimo de árvores Log-verossimilhança máximo Validação do modelo Validação cruzada de 5 dobras Taxa de aprendizado 0,001; 0,01; 0,1 Fração da subamostra 0,5; 0,7 Nós máximos terminais por árvore 6 Tamanho mínimo do nó terminal 3 Número de preditores selecionados para divisão de nós Número total de preditores = 13 Linhas usadas 303
Informações de resposta binária Variável Classe Contagem % Doença cardíaca Sim (Evento) 139 45,87 Não 164 54,13 Tudo 303 100,00
Otimização de hiperparâmetros Teste Número Taxa de ótimo de Log-verossimilhança Área sob a classificação Taxa de Modelo árvores médio curva ROC errada aprendizado 1 500 0,542902 0,902956 0,171749 0,001 2* 351 0,386536 0,908920 0,175027 0,010 3 33 0,396555 0,900782 0,161694 0,100 4 500 0,543292 0,894178 0,178142 0,001 5 374 0,389607 0,906620 0,165082 0,010 6 39 0,393382 0,901399 0,174973 0,100 Máximo de Fração da do nós Modelo subamostra terminais 1 0,5 6 2* 0,5 6 3 0,5 6 4 0,7 6 5 0,7 6 6 0,7 6 * O modelo ótimo tem média -log-verossimilhança mínima. A saída para o modelo ótimo vem na sequência.

O gráfico de log-verossimilhança médio vs número de árvores mostra toda a curva sobre o número de árvores cultivadas. O valor ótimo para os dados do teste é 0,3865 quando o número de árvores é 351.

Classificação TreeNet®: Doença cardí vs Idade; Pressão Arte; Colesterol; ...

Resumo do modelo Preditores totais 13 Preditores importantes 13 Número de árvores cultivadas 500 Número ótimo de árvores 351 Estatística Treinamento Teste Log-verossimilhança médio 0,2341 0,3865 Área sob a curva ROC 0,9825 0,9089 IC de 95% (0,9706; 0,9945) (0,8757; 0,9421) Elevação 2,1799 2,1087 Taxa de classificação incorreta 0,0759 0,1750

Classificação Random Forests®: Doença cardí vs Idade; Pressão Arte; ...

Resumo do modelo Preditores totais 13 Preditores importantes 13 Estatística Out-of-Bag Log-verossimilhança médio 0,4004 Área sob a curva ROC 0,9028 IC de 95% (0,8693; 0,9363) Elevação 2,1079 Taxa de classificação incorreta 0,1848

A tabela sumário do modelo mostra que a probabilidade média negativa de log-verossimilhança quando o número de árvores é de 351 é aproximadamente 0,23 para os dados de treinamento e é aproximadamente 0,39 para os dados de teste. Essas estatísticas indicam um modelo semelhante ao que o Minitab Random Forests® cria. Além disso, as taxas de classificação incorreta são semelhantes.

O gráfico de importância relativa da variável representa os preditores por ordem de seu efeito sobre a melhoria do modelo quando as divisões são feitas em um preditor sobre a sequência de árvores. A variável preditora mais importante é o Thal. Se a contribuição da variável preditora superior, Thal, for de 100%, então a próxima variável importante, Vasos principais, tem uma contribuição de 97,8%. Isso significa que os Vasos principais são 97,8% tão importantes quanto Thal neste modelo de classificação.

Classificação TreeNet®: Doença cardí vs Idade; Pressão Arte; Colesterol; ...

Matriz de confusão Classe predita (Treinamento) Classe predita (Teste) Classe real Contagem Sim Não % Correto Sim Não % Correto Sim (Evento) 139 124 15 89,21 110 29 79,14 Não 164 8 156 95,12 24 140 85,37 Tudo 303 132 171 92,41 134 169 82,51 Atribua uma linha à classe de eventos se a probabilidade de evento para a linha exceder 0,5.
Treinamento Estatística (%) Teste (%) Taxa de positivo verdadeiro (sensibil. ou poder) 89,21 79,14 Taxa de positivo falso (erro tipo I) 4,88 14,63 Taxa de negativo falso (erro tipo II) 10,79 20,86 Taxa de negativo verdadeiro (especificidade) 95,12 85,37

A matriz confusão mostra se o modelo separa as classes bem e corretamente. Neste exemplo, a probabilidade de um evento ser predito corretamente é de 79,14%. A probabilidade de que um não evento ser predito corretamente é de 85,37%.

Classificação TreeNet®: Doença cardí vs Idade; Pressão Arte; Colesterol; ...

Classificação errada Treinamento Teste Classificado Classificado Classe real Contagem errado % de erro errado % de erro Sim (Evento) 139 15 10,79 29 20,86 Não 164 8 4,88 24 14,63 Tudo 303 23 7,59 53 17,49 Atribua uma linha à classe de eventos se a probabilidade de evento para a linha exceder 0,5.

A taxa de classificação incorreta ajuda a indicar se o modelo irá predizer novas observações com exatidão. Para predição de eventos, o erro de classificação incorreta do teste é de 20,86%. Para a predição de não evento, o erro de classificação incorreta é de 14,63% e, no geral, o erro de classificação incorreta é de 17,49%.

A área sob a curva ROC quando o número de árvores é 351 é aproximadamente 0,98 para os dados de treinamento e é aproximadamente 0,91 para os dados de teste. Isso mostra uma boa melhora em relação ao modelo de Classificação CART®. O modelo Classificação Random Forests® tem um teste AUROC de 0,9028, de modo que esses dois métodos produzem resultados semelhantes.

Neste exemplo, o gráfico de ganho mostra um aumento acentuado acima da linha de referência, em seguida, um achatamento. Neste caso, aproximadamente 40% dos dados representam aproximadamente 80% dos positivos verdadeiros. Essa diferença é o ganho extra com o uso do modelo.

Neste exemplo, o gráfico de elevação mostra um grande aumento acima da linha de referência que cai gradualmente.

Use os gráficos de dependência parcial para obter uma visão de como as variáveis importantes ou pares de variáveis afetam a resposta predita. Os valores de resposta na escala de meio log são as predições oriundas do modelo. Os gráficos de dependência parcial mostram se a relação entre a resposta e uma variável é linear, monotônica ou mais complexa.

Por exemplo, no gráfico de dependência parcial que traça o tipo de dor torácica, as chances de meio log variam, e depois aumentam vertiginosamente. Quando o tipo de dor torácica é 4, as chances de meio log da incidência de doenças cardíacas aumentam de aproximadamente −0,04 para 0,03. Clique em Selecionar mais preditores para representar no gráfico para produzir gráficos para outras variáveis

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