Preditores totais | 77 |
---|---|
Preditores importantes | 10 |
Número máximo de funções base | 30 |
Número ótimo de funções base | 13 |
Estatísticas | Treinamento | Teste |
---|---|---|
R-quadrado | 89,61% | 87,61% |
Raiz do quadrado médio do Erro (RMSE) | 25836,5197 | 27855,6550 |
Quadrado médio do erro (MSE) | 667525749,7185 | 775937512,8264 |
Desvio absoluto médio (MAD) | 17506,0038 | 17783,5549 |
Nestes resultados, o teste R-quadrado é de cerca de 88%. O erro quadrado médio da raiz de teste é de cerca de 27.856. O erro quadrado médio do teste é de cerca de 775.937.513. O desvio absoluto médio do teste é de cerca de 17.784.
Use o gráfico de importância da variável relativa para ver quais preditores são as variáveis mais importantes para o modelo.
Variáveis importantes estão em pelo menos 1 função base no modelo. A variável com maior pontuação de melhoria é definida como a variável mais importante e as outras variáveis são classificadas de acordo. A importância relativa da variável padroniza os valores de importância para facilitar a interpretação. A importância relativa é definida como a melhoria percentual em relação ao preditor mais importante.
Os valores de importância relativa da variável variam de 0% a 100%. A variável mais importante tem sempre uma importância relativa de 100%. Se uma variável não estiver em uma função base, essa variável não será importante.
Use os gráficos de dependência parcial, as funções de base e os coeficientes na equação de regressão para determinar o efeito dos preditores. Os efeitos dos preditores explicam a relação entre os preditores e a resposta. Considere todas as funções de base para um preditor entender o efeito do preditor na variável de resposta.
Além disso, considere o uso dos preditores importantes e as formas de seus relacionamentos ao construir outros modelos. Por exemplo, se o modelo de regressão MARS® incluir interações, considere se essas interações devem ser incluídas em um modelo de regressão de mínimos quadrados para comparar o desempenho dos dois tipos de modelos. Em aplicativos em que você controla os preditores, os efeitos fornecem uma maneira natural de otimizar as configurações para atingir uma meta para a variável de resposta.
Em um modelo aditivo, gráficos de dependência parcial de um preditor mostram como os importantes preditores contínuos afetam a resposta prevista. O gráfico de dependência parcial com um preditor indica como a resposta deve mudar com modificações nos níveis do preditor. Para Regressão MARS®, os valores no gráfico vêm das funções de base para o preditor no eixo x. A contribuição no eixo y é padronizada de modo que o valor mínimo no gráfico seja 0.
Para obter mais exemplos de funções de base comum, vá para Equação de regressão para Regressão MARS®.