Suporte ao Minitab® 

Selecione um modelo alternativo a partir de Descobrir o melhor modelo (Resposta binária)

Saiba mais sobre Minitab
Execute Módulo de análise preditiva > Aprendizado de máquina automatizado > Descobrir o melhor modelo (Resposta binária). Clique em Selecione o modelo alternativo nos resultados.
Observação

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

Neste tópico

Visão geral

Quando você usa 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 a média mínima – log-verossimilhança. 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 CART® e modelos binários de regressão logística, você pode examinar os resultados para o 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 idealidade para as diferentes combinações de hiperparmetros e os resultados do modelo para o modelo com o melhor valor do critério de otimização, como a média mínima – loglikelihood.
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 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 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 a média mínima – loglikelihood.

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 logística

Selecione Resultados para modelo de regressão logística e clique para produzir os resultados para o melhor modelo de Exibir resultados regressão logística binária 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.

Copyright © 2024 Minitab, LLC. All rights Reserved.