Selecione um modelo alternativo de Descubrir preditores-chave com Classificação TreeNet^®

Execute Módulo de análise preditiva > Classificação TreeNet® > Descobrir preditores principais. Clique no Selecionar um modelo alternativo botão após a tabela Eliminação do Preditores.

Observação

Este comando está disponível com o Módulo de análise preditiva. Clique aqui saber mais sobre como ativar o módulo.

Visão geral

Quando você usa Descubrir preditores-chave para remover os preditores menos importantes, o Minitab Statistical Software produz resultados para o modelo com o melhor valor do critério de precisão para a análise, como a média mínima – log-verossimilhança. O Minitab permite explorar outros modelos na sequência que levou à identificação do modelo ótimo. Geralmente, você seleciona um modelo alternativo se outro modelo tem um valor do critério próximo ao melhor, mas com menos preditores. Um modelo com menos preditores é mais fácil de interpretar, pode ter melhor precisão de previsão e permite que você trabalhe com um número menor de preditores.

Por exemplo, a tabela de seleção de modelos a seguir tem 13 etapas. O modelo com a menor média – log-verossimilhança é o modelo com todos os preditores. O modelo da etapa 11 tem uma probabilidade média – log-verossimilhança que é relativamente próxima do melhor valor. O modelo na etapa 11 tem 3 preditores. Os resultados completos do modelo na etapa 11 também são de interesse.

Classificação TreeNet® - descubra os preditores principais: pretzel acei versus proteína de ; água; ...

Eliminação de preditor

Seleção do modelo pela eliminação de preditores sem importância Teste Número ótimo de Log-verossimilhança Número de Modelo árvores médio preditores 1 268 0,273936 29 2 268 0,274186 27 3 234 0,273843 26 4 233 0,274350 25 5 232 0,274943 24 6 273 0,275553 23 7 244 0,274811 22 8 268 0,274258 21 9 272 0,274185 20 10 232 0,274077 19 11 287 0,273598 18 12 227 0,274358 17 13 276 0,275374 16 14 272 0,276082 15 15 268 0,275595 14 16 268 0,277810 13 17 253 0,276436 12 18 231 0,276159 11 19 268 0,273537 10 20 260 0,273455 9 21 299 0,272848 8 22 278 0,272629 7 23* 299 0,267184 6 24 297 0,288621 5 25 234 0,330342 4 26 290 0,305993 3 27 245 0,534345 2 28 146 0,599837 1

Modelo Preditores eliminados 1 Nenhum 2 estabilidade da espuma; densidade a granel 3 menor concentração de gelação 4 modo forno 2 5 método do forno 6 modo forno 1 7 velocidade de mistura 8 modo forno 3 9 superfície de descanso 10 Temperatura do cozimento 3 11 ferramenta de mixagem 12 Temperatura do cozimento 1 13 tempo de descanso 14 água 15 concentração cáustica 16 Capacidade de inchaço 17 estabilidade de emulsão 18 atividade de emulsão 19 Capacidade de absorção de água 20 Capacidade de absorção de óleo 21 proteína de farinha 22 Capacidade de espuma 23* Tamanho da farinha 24 Temperatura do cozimento 2 25 tempo seco 26 Temperatura de gelatinização 27 Hora de assar 28 temperatura do forno O algoritmo removeu um preditor e todos os preditores com 0 importância em cada etapa. * O modelo selecionado tem média mínima-log-verossimilhança. A saída para o modelo selecionado vem na sequência.

Realize a análise

Clique em Selecionar um modelo alternativo na saída. É aberta uma caixa de diálogo que mostra um gráfico do critério em relação ao número de preditores eliminados e uma tabela que resume as etapas.

Compare os critérios

Para selecionar um modelo alterativo, clique em um ponto no gráfico ou uma linha na tabela. Pressione Exibir resultados para criar os resultados desse modelo.

Depois de exibir os resultados, você pode clicar em um botão na saída para ajustar os hiperparâmetros do modelo ou fazer previsões do modelo. Para obter mais informações, vá para Selecione valores de hiperparâmetro para avaliar Ajuste de modelo e Descubrir preditores-chave com Classificação TreeNet® ou Prediga novos resultados para Ajuste de modelo e Descubrir preditores-chave com Classificação TreeNet®.

Dica

Para comparar a saída de duas análises diferentes relatórios, clique com o botão direito do mouse em Navegador e selecione Abrir em visualização dividida.