Avaliação do modelo eliminando preditores sem importância ou importantes para Descubrir preditores-chave com Regressão TreeNet^®

O número ótimo de árvores geralmente difere a cada passo. Se o número ótimo estiver próximo do número total de árvores para a análise, o modelo é mais provável de melhorar. Você pode considerar se deve explorar um modelo alternativo que parece provável que melhore.

R² é a porcentagem de variação na resposta que o modelo explica. Os valores de R² variam de 0% a 100%.

Quando você usa a função de perda de erro quadrado ou a função de perda Huber, a tabela inclui o valor R² para cada modelo. Os resultados a seguir são para o modelo com o maior valor de R². Se um modelo com um número menor de termos tem um valor de R² que está próximo do valor ótimo, então considere se deve explorar melhor o modelo alternativo. Um modelo com menos preditores é mais fácil de interpretar e permite que você trabalhe com um número menor de preditores.

O desvio absoluto médio (DAM) é a média do valor absoluto da diferença entre um valor previsto e um valor real. Quanto menor o MAD, melhor o modelo se ajusta aos dados. O DAM expressa precisão nas mesmas unidades dos dados, o que ajuda a conceituar a magnitude do erro.

Quando você usa a função de perda de desvio absoluto, a tabela inclui o valor de DAM para cada modelo. Os resultados completos que seguem a tabela são para o modelo com o menor valor de DAM. Se um modelo com um número menor de termos tem um valor de DAM que está próximo do valor ótimo, então considere se deve explorar melhor o modelo alternativo. Um modelo com menos preditores é mais fácil de interpretar e permite que você trabalhe com um número menor de preditores.

A contagem de preditores é o número de preditores no modelo. O número de preditores na primeira linha da tabela é sempre todos os preditores que a análise considera. Após a primeira linha, o número de preditores depende se a análise elimina preditores sem importância ou preditores importantes.

Quando a análise remove os preditores menos importantes, então o número de preditores diminui de um número especificado de preditores em cada etapa, além de quaisquer preditores que tenham pontuação de importância 0. Por exemplo, se a análise elimina 10 preditores por etapa, tem 900 preditores e 450 preditores com pontuações de importância 0 no modelo inicial, então a primeira linha da tabela tem 900 preditores. A segunda linha tem 440 preditores porque a análise remove os 450 preditores com pontuações de importância 0 e os 10 preditores menos importantes.

Quando a análise remove os preditores mais importantes, então o número de preditores diminui do número especificado de preditores a cada etapa. Preditores que têm importância 0 permanecem no modelo.

A coluna mostra os preditores eliminados a cada passo. A lista mostra no máximo 25 títulos de preditores em um passo. A primeira linha sempre mostra “nenhum” porque o modelo tem todos os preditores. Após a primeira linha, o número de preditores depende se a análise elimina preditores sem importância ou preditores importantes.

Quando a análise remove os preditores menos importantes, então o número de preditores diminui de um número especificado de preditores em cada etapa, além de quaisquer preditores que tenham 0 pontuações de importância. Se a análise elimina os preditores que têm pontuação 0 de importância, então esses preditores são os primeiros da lista. Quando a análise elimina mais de um preditor em qualquer categoria, a ordem dos nomes é a ordem dos preditores da worksheet.

Quando a análise remove os preditores mais importantes, então a lista mostra os preditores eliminados de cada etapa. Quando a análise elimina mais de um preditor importante em um passo, então a ordem dos nomes na lista é a ordem dos preditores da worksheet.