Exemplo de Descubrir preditores-chave for Regressão TreeNet^®

Interpretar os resultados

Para esta análise, o Minitab Statistical Software compara 20 modelos. O asterisco na coluna Modelo da tabela de avaliação de modelos mostra que o modelo com maior valor da estatística R² validada cruzada é o modelo 16. O modelo 16 contém 5 preditores importantes. Os resultados que seguem a tabela de avaliação do modelo são para o modelo 16.

Embora o Modelo 16 tenha o maior valor da estatística R² validada cruzada, outros modelos possuem valores semelhantes. A equipe pode clicar em Selecione o modelo alternativo para produzir resultados para outros modelos da tabela de avaliação de modelos.

Nos resultados do modelo 16, o Gráfico R-quadrado versus número de árvores mostra que o número ótimo de árvores é igual ao número de árvores na análise, 300. A equipe pode clicar em Ajustar hiperparâmetros para aumentar o número de árvores e para ver se mudanças em outros hiperparâmetros melhoram o desempenho do modelo.

O gráfico de importância relativa da variável representa os preditores por ordem de seu efeito sobre a melhoria do modelo quando as divisões são feitas em um preditor sobre a sequência de árvores. A variável preditora mais importante é Temperatura do molde. Se a importância da variável principal do preditor, Temperatura do molde, for 100%, a próxima variável importante, Máquina, terá uma contribuição de 58,7%. Isso significa que a máquina que injeta é 58,7% tão importante quanto a temperatura no interior do molde.

Use os gráficos de dependência parcial para obter uma visão de como as variáveis importantes ou pares de variáveis afetam a resposta predita. Os gráficos de dependência parcial mostram se a relação entre a resposta e uma variável é linear, monotônica ou mais complexa.

Os gráficos de dependência parcial do preditor mostram que a temperatura do molde, a pressão de injeção e a temperatura de resfriamento têm uma relação positiva com força. O gráfico das máquinas mostra as diferenças entre as máquinas, com a máquina 1 fazendo as peças mais fracas em média e a máquina 4 fazendo as peças mais fortes em média. A equipe nota que a temperatura do molde e a máquina têm a interação mais forte nos dados, então eles olham para o gráfico de dependência parcial de dois preditores para entender melhor como essas variáveis afetam a força. A equipe pode selecionar Gráficos de um preditor os resultados para produzir gráficos para outras variáveis, como a temperatura de injeção.

O gráfico de dependência parcial de dois preditores de Temperatura do molde e Máquina dá algumas informações sobre os pontos fortes médios da diferença para as máquinas. Uma das razões é que os dados da máquina 1 não incluem tantas observações nas temperaturas mais altas do molde quanto as outras máquinas. A equipe ainda poderia decidir procurar outras razões para que as máquinas produzam diferentes pontos fortes quando outras configurações são as mesmas. A equipe pode clicar Gráficos de dois preditores nos resultados para produzir gráficos para outros pares de variáveis.