Selecione as opções de análise para Ajuste de modelo e Descubrir preditores-chave com Regressão TreeNet®

As opções de análise são as mesmas para as seguintes análises:

Módulo de análise preditiva > Regressão TreeNet® > Ajuste de modelo > Opções

Módulo de análise preditiva > Regressão TreeNet® > Descobrir preditores principais > Opções

Observação

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

Selecione as opções de análise.

Função de perda
Escolha a função de perda para criar seu modelo. Você pode comparar os resultados de várias funções para determinar a melhor escolha para sua aplicação.
  • Erro quadrado: A função de erro quadrado é a função padrão. Esta é uma função de perda baseada em média. A função de perda funciona bem em muitas aplicações.
  • Desvio absoluto: A função de desvio absoluto é uma função de perda baseada em mediana.
  • Huber: A função Huber é um híbrido das funções de erro quadrado e de desvio absoluto.
Com a função Huber, especifique um Valor de comutação. A função de perda começa como a função de erro quadrado. A função de perda permanece como erro quadrado, desde que o valor seja menor que o valor de comutação. Se o erro quadrado exceder o valor de comutação, então a função de perda se tornará uma função de desvio absoluto. Se o desvio absoluto se tornar menor que o valor de comutação, então a função de perda se torna uma função de erro quadrado novamente
Número de árvores
Insira um valor entre 1 e 5000, para indicar o número de árvores a serem construídas. O valor padrão de 300 produz resultados iniciais úteis.
Se o modelo inicial selecionado estiver próximo do número de árvores especificadas, pondere sobre o aumento do número de árvores para procurar um modelo melhor.
Máximo de nós terminais por árvore E o Profundidade máxima da árvore
Você também pode limitar o tamanho das árvores. Escolha uma das seguintes opções para limitar o tamanho das árvores.
  • Máximo de nós terminais por árvore: Digite um valor entre 2 e 2000 para representar o número máximo de nós terminais de uma árvore. Normalmente, o valor padrão de 6 proporciona um bom equilíbrio entre a velocidade de cálculo e a investigação das interações entre as variáveis. Um valor de 2 elimina a investigação das interações.
  • Profundidade máxima da árvore: Digite um valor entre 2 e 1000 para representar a profundidade máxima de uma árvore. O nó raiz corresponde a uma profundidade de 1. A profundidade padrão é 4. Em muitas aplicações, profundidades de 4 a 6 dão modelos razoavelmente bons.
Número mínimo de casos permitidos para um nó terminal
Insira o número mínimo de casos para um nó terminal. Por exemplo, se o tamanho mínimo é 3 uma divisão criar um nó com menos de 3 casos, o Minitab não realiza uma divisão.
Proteção contra sobreajuste
Use as seguintes opções para minimizar o sobreajuste do modelo.
Taxa de aprendizado
A taxa de aprendizado é um dos dois hiperparâmetros extremamente importantes que você pode ajustar para identificar um modelo ótimo para seus dados.
Por padrão, se o número de casos em seus dados de treinamento for de 1000 ou menos, o Minitab usa 0,01 como taxa de aprendizado. Para conjuntos de dados com mais de 1000 casos, a taxa de aprendizado padrão é max[0,01, 0,1 * min(1,0, N/10000)]. Por exemplo, quando o conjunto de dados tem 9000 respostas, então a taxa de aprendizado = 0,09.
Se o modelo inicial não predisser bem seus dados, pondere sobre o aumento ou diminuição da taxa de aprendizado em 5 ou 10 vezes para ver se você pode obter um modelo melhor.
Fração da subamostra
Especifique a proporção dos dados de aprendizado a serem selecionados aleatoriamente para a construção de cada árvore na análise. Normalmente, a fração de 0,5 funciona bem. Considere aumentar a fração do valor padrão de 0,5 para 0,70 ou mais se o modelo inicial não ajustar bem seus dados.
Número de preditores para divisão do nó
Especifique o número de preditores a serem considerados para cada divisão de nó. Normalmente, a análise funciona bem quando você considera todos os preditores em cada nó. No entanto, alguns conjuntos de dados têm associações entre os preditores que levam a um melhor desempenho do modelo quando a análise leva em conta um subconjunto aleatório diferente de preditores em cada nó. Para tais casos, a raiz quadrada do número total de preditores é um ponto de partida típico. Depois de usar a raiz quadrada e visualizar o modelo, você pode considerar se deve especificar um número maior ou menor de preditores com uma porcentagem do total.
  • Número total de preditores: Selecione para usar todos os preditores para dividir nós.
  • Raiz quadrada do número total de preditores: Selecione para usar a raiz quadrada do número total de preditores para dividir os nós.
  • K por cento do número total de preditores; K =: Selecione para usar uma porcentagem de preditores para dividir os nós.
Base para o gerador de números aleatórios
Você pode especificar uma base para o gerador de números aleatórios a fim de selecionar aleatoriamente as subamostras e o subconjunto de preditores. Normalmente, você não precisa mudar a base. Você pode alterar a base para explorar o grau de sensibilidade dos resultados em relação às seleções aleatórias ou para garantir a mesma seleção aleatória para análises repetidas.
Pesos
Digite uma coluna que contenha os pesos do caso. A coluna deve ter o mesmo número de linhas que a coluna de resposta. Os valores devem ser ≥ 0. O Minitab omite as linhas que contenham valores faltantes ou zeros provenientes da análise.
Ao usar esse site, você concorda com a utilização de cookies para análises e conteúdo personalizado.  Leia nossa política