Aviso
Agora você está saindo do support.minitab.com.
Clique em Continuar para prosseguir para:
Este comando está disponível com o Módulo de análise preditiva. Clique aqui saber mais sobre como ativar o módulo.
Após a criação de um modelo com Descobrir o melhor modelo (Resposta binária), você pode clicar Selecione um modelo alternativo para explorar outros modelos. Se você selecionar um modelo Random Forests®, uma opção é especificar hiperparmetros para se encaixar em vários novos modelos. Se você especificar hiperparmetros, os resultados incluem a tabela Otimização de Hiperparâmetros. A tabela compara as combinações de hiperparmetros. Os resultados que seguem a tabela Otimização dos Hiperparmetros são para o modelo com o melhor valor do critério de otimização, como a média mínima – loglikelihood.
A probabilidade média de log-verossimilhança é uma medida de precisão do modelo. Valores menores indicam um ajuste melhor.
A curva ROC traça a taxa de positivos verdadeiros (TPR), também conhecida como poder, no eixo y. A curva ROC traça a taxa de falsos positivos (FPR), também conhecida como erro tipo 1, no eixo x. A área sob uma curva ROC indica se o modelo é um bom classificador.
A área sob os valores da curva ROC variam tipicamente de 0,5 a 1. Os valores maiores indicam um modelo de ajuste melhor. Quando o modelo consegue separar perfeitamente as classes, a área sob a curva é 1. Quando o modelo não consegue separar as classes melhor do que uma atribuição aleatória, a área sob a curva é 0,5.
A taxa de classificação errada indica com que frequência o modelo classifica com exatidão os valores de resposta. Valores menores indicam melhor desempenho.
Esta linha indica a escolha para o número de preditores a considerar.
O tamanho mínimo do nó interno indica o número mínimo de casos que um nó pode ter e ainda se dividir em mais nós.
O número de amostras por bootstrap indica o número de árvores na análise.
Agora você está saindo do support.minitab.com.
Clique em Continuar para prosseguir para: