Avaliação do modelo eliminando preditores sem importância ou importantes para Descubrir preditores-chave com Regressão TreeNet®

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 de avaliação de modelo.
Observação

Quando você especificar as opções para Descobrir preditores principais, você poderá escolher os resultados de seleção de modelos para dados de treinamento e teste. Os resultados dos testes indicam se o modelo consegue predizer adequadamente os valores de resposta para novas observações, ou resumir adequadamente as relações entre a resposta e as variáveis preditoras. Os resultados do treinamento são geralmente apenas para referência.

Use os resultados para comparar os modelos de diferentes etapas. Para explorar ainda mais um modelo alternativo da tabela, clique em Selecionar um modelo alternativo. O Minitab produz um conjunto completo de resultados para o modelo alternativo. Você pode sintonizar os hiperparâmetros e fazer previsões de acordo.

Número ótimo de árvores

O número ótimo de árvores geralmente difere a cada passo. Se o número ótimo estiver próximo do número total de árvores para a análise, o modelo é mais provável de melhorar. Você pode considerar se deve explorar um modelo alternativo que parece provável que melhore.

R-quadrado (%)

R2 é a porcentagem de variação na resposta que o modelo explica. Os valores de R2 variam de 0% a 100%.

Quando você usa a função de perda de erro quadrado ou a função de perda Huber, a tabela inclui o valor R2 para cada modelo. Os resultados a seguir são para o modelo com o maior valor de R2. Se um modelo com um número menor de termos tem um valor de R2 que está próximo do valor ótimo, então considere se deve explorar melhor o modelo alternativo. Um modelo com menos preditores é mais fácil de interpretar e permite que você trabalhe com um número menor de preditores.

DAM

O desvio absoluto médio (DAM) é a média do valor absoluto da diferença entre um valor previsto e um valor real. Quanto menor o MAD, melhor o modelo se ajusta aos dados. O DAM expressa precisão nas mesmas unidades dos dados, o que ajuda a conceituar a magnitude do erro.

Quando você usa a função de perda de desvio absoluto, a tabela inclui o valor de DAM para cada modelo. Os resultados completos que seguem a tabela são para o modelo com o menor valor de DAM. Se um modelo com um número menor de termos tem um valor de DAM que está próximo do valor ótimo, então considere se deve explorar melhor o modelo alternativo. Um modelo com menos preditores é mais fácil de interpretar e permite que você trabalhe com um número menor de preditores.

Contagem de preditores

A contagem de preditores é o número de preditores no modelo. O número de preditores na primeira linha da tabela é sempre todos os preditores que a análise considera. Após a primeira linha, o número de preditores depende se a análise elimina preditores sem importância ou preditores importantes.

Quando a análise remove os preditores menos importantes, então o número de preditores diminui de um número especificado de preditores em cada etapa, além de quaisquer preditores que tenham pontuação de importância 0. Por exemplo, se a análise elimina 10 preditores por etapa, tem 900 preditores e 450 preditores com pontuações de importância 0 no modelo inicial, então a primeira linha da tabela tem 900 preditores. A segunda linha tem 440 preditores porque a análise remove os 450 preditores com pontuações de importância 0 e os 10 preditores menos importantes.

Quando a análise remove os preditores mais importantes, então o número de preditores diminui do número especificado de preditores a cada etapa. Preditores que têm importância 0 permanecem no modelo.

Preditores eliminados

A coluna mostra os preditores eliminados a cada passo. A lista mostra no máximo 25 títulos de preditores em um passo. A primeira linha sempre mostra “nenhum” porque o modelo tem todos os preditores. Após a primeira linha, o número de preditores depende se a análise elimina preditores sem importância ou preditores importantes.

Quando a análise remove os preditores menos importantes, então o número de preditores diminui de um número especificado de preditores em cada etapa, além de quaisquer preditores que tenham 0 pontuações de importância. Se a análise elimina os preditores que têm pontuação 0 de importância, então esses preditores são os primeiros da lista. Quando a análise elimina mais de um preditor em qualquer categoria, a ordem dos nomes é a ordem dos preditores da worksheet.

Quando a análise remove os preditores mais importantes, então a lista mostra os preditores eliminados de cada etapa. Quando a análise elimina mais de um preditor importante em um passo, então a ordem dos nomes na lista é a ordem dos preditores da worksheet.

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