Selecionar um modelo alternativo para Descobrir o melhor modelo (Resposta contínua)

Execute Módulo de análise preditiva > Aprendizado de máquina automatizado > Descobrir o melhor modelo (Resposta contínua). Clique no botão Selecionar um modelo alternativo após a Tabela seleção de modelo.

Observação

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

Quando você usa Descobrir o melhor modelo (Resposta contínua) para remover os preditores menos importantes, o Minitab Statistical Software produz resultados para o modelo com o melhor valor do critério de precisão para a análise, como o valor máximo de R². Minitab permite explorar resultados para outros modelos e outros tipos de modelos. Por exemplo, se outro tipo de modelo produz precisão de previsão semelhante, você pode determinar se os mesmos preditores são importantes em cada tipo de modelo.

A ID do item depende do tipo de aplicativo. Para vários modelos de regressão e CART^®, você pode examinar os resultados do melhor modelo da pesquisa. Para os modelos Random Forests^® e TreeNet^®, você pode examinar os resultados de qualquer um dos modelos da pesquisa. Para os modelos Random Forests^® e TreeNet^®, você também pode sintonizar os hiperparmetros para procurar combinações que produzam valores ainda melhores do que os hiperparâmetros na pesquisa.

Regressão Random Forests^®

Selecione um modelo existente para produzir resultados para um dos modelos da pesquisa. Especifique hiperparmetros para encaixar novos modelos para procurar combinações de hiperparmetros que melhorem o desempenho do modelo.

Selecione um modelo existente

Na busca pelo melhor tipo de modelo, a análise produz até 3 Random Forests^® modelos com diferentes tamanhos mínimos para nódulos internos. Selecione um modelo da lista e clique Exibir resultados para produzir resultados para esse modelo.

Especifique hiperparâmetros para ajustar modelos novos

A análise exige que você especifique os primeiros 3 hiperparmetros. Especifique um tamanho amostral de Bootstrap menor que o tamanho dos dados de treinamento Clique Exibir resultados para avaliar os hiperparmetros dos novos modelos. Os resultados incluem uma tabela que compara os critérios de otimização para as diferentes combinações de hiperparmetros e os resultados do modelo para o modelo com o melhor valor do critério de otimização, como o máximo R².

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 a raiz quadrada do número total de preditores. No entanto, alguns conjuntos de dados têm associações entre os preditores que levam a um melhor desempenho do modelo quando a análise considera um número maior ou menor de preditores para cada nó.
Número mínimo de casos para dividir um nó interno: Digite o número mínimo de casos que um nó pode ter e ainda dividido em mais nós. Por padrão, a pesquisa original inclui os números 2, 5 e 8.
Número de amostras por bootstrap para cultivar árvores: Insira um valor para determinar o número de amostras por bootstrap e o número de árvores produzidas pela análise. Insira um valor entre 3 e 3000.
Especifique um tamanho amostral de Bootstrap menor que o tamanho dos dados de treinamento: Selecione para inserir um valor que define o tamanho da amostra por bootstrap. Insira um valor maior que ou igual a 5. Se você inserir um tamanho maior do que o tamanho dos dados de treinamento, o Minitab usará um tamanho de amostra igual ao tamanho dos dados de treinamento.

TreeNet^®

Selecione um modelo existente

Na busca pelo melhor tipo de modelo, a análise produz um modelo TreeNet^® para cada combinação de hiperparmetros. Selecione um modelo da lista e clique Exibir resultados para produzir resultados para esse modelo.

Especifique hiperparâmetros para ajustar modelos novos

A análise exige que você especifique todos os hiperparâmetros. Clique Exibir resultados para avaliar os hiperparmetros dos novos modelos. Os resultados incluem uma tabela que compara os critérios de idealidade para as diferentes combinações de hiperparmetros e os resultados para o modelo com o melhor valor do critério de precisão para a análise, como o máximo R².

Taxa de aprendizado

Insira até 10 valores. Os valores eligíveis variam de 0,0001 até 1.

Fração da subamostra

Insira até 10 valores. Os valores elegíveis são maiores que 0 e menores ou iguais a 1.

Máximo de nós terminais por árvore E o Profundidade máxima da árvore

Escolha se avalia o Máximo de nós terminais por árvore ou o Profundidade máxima da árvore. Normalmente, qualquer escolha é uma maneira razoável de identificar um modelo útil e a seleção depende apenas da preferência individual.

Máximo de nós terminais: Insira até 3 valores. Os valores elegíveis variam de 2 a 2000. Um valor de 2 elimina a investigação das interações.
Profundidade máxima da árvore: Insira até 3 valores. Insira valores elegíveis entre 2 e 1000 para representar a profundidade máxima de uma árvore. O nó raiz corresponde a uma profundidade de 1. Em muitas aplicações, profundidades de 4 a 6 dão modelos razoavelmente bons.

Número de preditores para divisão do nó

Insira até 3 valores. Os valores elegíveis estão entre 1 e o número total de preditores. Normalmente, a análise funciona bem quando você considera a raiz quadrada do número total de preditores. No entanto, alguns conjuntos de dados têm associações entre os preditores que levam a um melhor desempenho do modelo quando a análise considera um número maior ou menor de preditores para cada nó.

Número de árvores

Insira um valor entre 1 e 5000, para especificar o número máximo de árvores a serem construídas. O valor padrão de 300 geralmente fornece resultados úteis para a avaliação dos valores de hiperparâmetro.

Se um ou mais modelos de interesse tiverem um número de árvores próximas ao número de árvores que você especifica, então considere se deve aumentar o número de árvores. Se o número de árvores estiver mais próximo do número máximo, um aumento no número de árvores é mais provável para melhorar o desempenho do modelo.

Regressão múltipla

Selecione Resultados para modelo de regressão múltipla e clique para produzir os resultados para o melhor modelo de Exibir resultados regressão múltipla a partir da busca pelo melhor tipo de modelo.

CART®

Selecione Resultados para o modelo CART® e clique para produzir os resultados para o melhor modelo de Exibir resultados CART^® a partir da busca pelo melhor tipo de modelo.

Selecionar um modelo alternativo para Descobrir o melhor modelo (Resposta contínua)

Observação

Regressão Random Forests®

Selecione um modelo existente

Especifique hiperparâmetros para ajustar modelos novos

TreeNet®

Selecione um modelo existente

Especifique hiperparâmetros para ajustar modelos novos

Regressão múltipla

CART®

Regressão Random Forests^®

TreeNet^®