Considerações de dados para Ajuste de modelo e Descubrir preditores-chave com Classificação TreeNet^®

Para garantir que seus resultados sejam válidos, considere as seguintes diretrizes quando coletar dados, realizar a análise e interpretar seus resultados.

A variável resposta deve ser categórica

As variáveis categóricas contêm um número finito e contável de categorias ou grupos distintos. Os dados categóricos podem ou não ter uma ordem lógica. Por exemplo, as variáveis categóricas incluem gênero, tipo material e método de pagamento.

• Se sua variável resposta tiver duas categorias, como passar e falhar, então a resposta é binária.
• Se sua variável resposta contém três ou mais categorias, então a resposta é multinomial.

Os dados da variável resposta devem ser valores de texto ou valores numéricos. Não são permitidos valores de data/hora.

Se sua variável resposta for contínua, use Ajuste de modelo ou Descubrir preditores-chave para Regressão TreeNet^®.

As variáveis preditoras podem ser contínuas ou categóricas

Você pode usar uma combinação de preditores contínuos ou categóricos; no entanto, os comprimentos da coluna para cada preditor devem ser iguais aos da coluna de resposta. Não são permitidos valores faltantes.

• Todos os preditores contínuos devem ser numéricos.
• Os preditores categóricos podem se valores de texto ou numéricos.

É recomendável usar um conjunto de testes quando o número de casos for maior que 2000

Por padrão, o Minitab usa validação cruzada quando o número de casos é menor ou igual a 2000. Quando o número de casos é maior que 2000, o Minitab usa um conjunto de testes. Normalmente, a validação cruzada é um método de validação melhor, mas requer mais tempo para o cálculo dos resultados. A validação com um conjunto de teste é útil quando o método de validação cruzada é muito demorado.

Para obter mais informações sobre as configurações para técnicas de validação em Ajuste de modelo e Descubrir preditores-chave, acesse Especifique o método de validação para Ajuste de modelo e Descubrir preditores-chave com Classificação TreeNet®.