Especifique opções para Descubrir preditores-chave com Classificação TreeNet^®

Ao escolher Descubrir preditores-chave do menu Classificação TreeNet^®, você poderá especificar como eliminar os termos.

Método

Escolha se eliminará os preditores menos importantes ou mais importantes primeiro.

Eliminar preditores sem importância

Elimine os preditores menos importantes primeiro para selecionar um subconjunto de preditores para usar para o modelo. Por exemplo, reduza um conjunto de 500 preditores para os 10 preditores mais importantes. O algoritmo remove os preditores menos importantes sequencialmente, mostra resultados que permitem comparar modelos com diferentes números de preditores e produz resultados para o conjunto de preditores com o melhor valor do critério de seleção do modelo.

Eliminar preditores importantes para avaliar seus impactos

Elimine os preditores mais importantes primeiro para avaliar o efeito sobre o modelo. Por exemplo, use essa opção para ver a alteração no valor de média – log-verossimilhança como os preditores mais importantes deixam o modelo. O algoritmo remove os preditores mais importantes sequencialmente, mostra resultados que permitem avaliar o efeito de cada preditor importante no critério de precisão e produz resultados para o modelo com todos os preditores.

Eliminar K preditores em cada etapa

Normalmente, você elimina 1 preditor de cada vez. Se você tem um número extremamente grande de preditores e espera que poucos preditores sejam muito importantes, considere um valor maior. Por exemplo, você pode remover mais preditores por etapa e aumentar o número máximo de etapas de eliminação para remover mais preditores mais rapidamente.

Número máximo de etapas de eliminação

Normalmente, o número máximo de etapas de eliminação é o número de modelos reduzidos que você deseja examinar, mas o algoritmo para antes se o modelo ficar sem preditores. Quando você aumenta o número, você geralmente elimina um pequeno número de preditores em cada etapa em relação ao número de preditores e quer continuar para que você possa ver modelos menores. Por exemplo, você pode remover mais preditores por etapa e aumentar o número máximo de etapas de eliminação para remover mais preditores mais rapidamente. Diminua esse valor para avaliar menos modelos alternativos.

Especificar preditores a serem removidos por último

Especifique um subconjunto de preditores para remover após o resto dos preditores. Por exemplo, você tem 10 preditores e especifica 3 preditores para remover por último. O algoritmo remove os outros 7 preditores antes de considerar qualquer um dos 3 preditores que você especificar. Normalmente, você especifica preditores para remover por último quando você tem um interesse especial em um ou mais preditores. Por exemplo, você pode especificar os preditores para remover por último para que o algoritmo avalie um modelo apenas com esses preditores.

Exibir tabela seleção de modelo

Escolha se deve exibir os resultados para os dados de treinamento.

Para conjunto de teste

Normalmente, você exibe os resultados do conjunto de teste. O algoritmo usa esses resultados para determinar quais variáveis eliminar. Os resultados dos testes indicam se o modelo consegue predizer adequadamente os valores de resposta para novas observações, ou resumir adequadamente as relações entre a resposta e as variáveis preditoras.

Para conjuntos de teste e treinamento

Os resultados do treinamento são geralmente mais ideais do que os resultados reais para novos dados. Os resultados do treinamento são apenas para referência.