Suporte ao Minitab® 

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

Saiba mais sobre Minitab
Execute Módulo de análise preditiva > Aprendizado de máquina automatizado > Descobrir o melhor modelo (Resposta contínua). 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.

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

As opções disponíveis dependem do tipo de modelo. Para regressão múltipla e modelos CART®, você pode examinar os resultados para o melhor modelo da pesquisa. Para os modelos Random Forests®, TreeNet® e MARS®, você pode examinar os resultados de qualquer um dos modelos na pesquisa. Para os modelos Random Forests®, TreeNet® e MARS®, você também pode ajustar os hiperparâmetros para procurar combinações que produzam valores ainda melhores do que os hiperparâmetros na pesquisa.

Random Forests®

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

Selecione um modelo existente

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

Especifique hiperparâmetros para ajustar modelos novos

A análise requer que você especifique os 3 primeiros hiperparâmetros. A inclusão de um tamanho de amostra de bootstrap menor que o tamanho dos dados de treinamento é opcional. Clique Exibir resultados para avaliar os hiperparâmetros para os novos modelos. Os resultados incluem uma tabela que compara os critérios de otimidade para as diferentes combinações de hiperparâmetros e os resultados do modelo para o modelo com o melhor valor do critério de otimidade, como o R2máximo.
Número de preditores para divisão do nó
Especifique de 1 a 3 números 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
Insira de 1 a 3 números mínimos 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 hiperparâmetros para ajustar novos modelos para procurar combinações de hiperparâmetros 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 hiperparâmetros. Selecione um modelo na lista e clique Exibir resultados para produzir resultados para esse modelo.

Especifique hiperparâmetros para ajustar modelos novos

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

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, de modo que 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 o 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 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.

MARS®

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

Selecione um modelo existente

Na busca pelo melhor tipo de modelo, a análise produz um modelo MARS® com cada número de funções de base na busca. Selecione um modelo na lista e clique Exibir resultados para produzir resultados para esse modelo.

Especifique hiperparâmetros para ajustar modelos novos

Clique Exibir resultados para avaliar os parâmetros para os novos modelos. Os resultados incluem os resultados do modelo para o modelo com o melhor valor do critério de otimidade, como o R2 máximo.
Número máximo de funções base
Especifique o número de réplicas O valor padrão de 30 funciona bem na maioria dos casos. Considere um valor maior quando 30 funções de base parecerem muito pequenas para os dados. Por exemplo, considere um valor maior quando você acredita que mais de 30 preditores são importantes.
Se você não tiver certeza se 30 é suficiente, revise os resultados iniciais. Por exemplo, é mais provável que um valor maior melhore o ajuste do modelo se o valor do quadrado R tende para cima à medida que a análise adiciona funções de base.
Número mínimo de observações entre nós
Permitir que a MARS® escolha
A análise usa o tamanho da amostra e a complexidade do modelo para selecionar automaticamente um valor. O valor automático funciona bem na maioria dos casos.
λ especificado pelo usuário
Um valor de 1 indica que pontos de dados consecutivos são elegíveis para serem pontos em que a função de base é alterada. O valor de 1 permite as mudanças mais rápidas nas previsões do modelo. Use valores maiores para criar modelos mais suaves para explorar relacionamentos mais gerais. Esses modelos mais suaves às vezes são menos precisos em certos intervalos dos dados.
Interações com preditor permitidos

Permita interações preditoras até a ordem que você especificar. Uma interação significa que o efeito de um preditor depende do valor de outros preditores. Por exemplo, a taxa na qual o grão seca em um forno depende do tempo no forno, mas o efeito do tempo depende da temperatura do forno. As variáveis de tempo e temperatura interagem.

Não permitir interações (modelo aditivo)
Não permitir interações dos preditores. Nesse caso, o Minitab usa o modelo aditivo em que as funções de base não interagem.
Permitir todas as interações até a ordem 2
Order especifica o número de preditores diferentes que podem estar em uma função base. Por exemplo, uma ordem de 2 indica que o efeito de um preditor pode depender do valor de 1 outro preditor. As seguintes funções de base são um exemplo de uma interação de ordem 2:
  • BF1 = máx(0, X1 − 800)
  • BF2 = máx(0, X2 − 50) * BF1

Regressão múltipla

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

CART®

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

Copyright © 2024 Minitab, LLC. All rights Reserved.