文件 > 选项 > 预测分析  > TreeNet® 回归

指定 TreeNet® 回归 的默认值对默认设置所做的更改将保留到您再次更改它们,即使退出 Minitab 也是如此。

损失函数
选择用于创建模型的损失函数。可以比较不同函数的结果,以确定适合应用的最佳选择。
  • 平方误差:这是基于均值的损失函数。此损失函数适用于许多应用。
  • 绝对偏差:绝对偏差函数是基于中位数的损失函数。
  • Huber:Huber 函数是平方误差和绝对偏差函数的混合。
使用Huber函数时,指定切换值。损失函数以平方误差的形式开始。只要值小于切换值,损失函数就保持为平方误差。如果平方误差超过切换值,则损失函数成为绝对偏差。如果绝对偏差小于切换值,则损失函数再次成为平方误差
每个树的最大终端节点数最大树深度
您还可以限制树的大小。选择下列选项之一可限制树的大小。
  • 每个树的最大终端节点数:输入介于 2 和 2000 之间的值,以表示树的最大终端节点数。通常,默认值 6 在计算速度与变量间交互作用调查之间提供了良好的平衡。值 2 排除了交互作用调查。
  • 最大树深度:输入介于 2 和 1000 之间的值,以表示树的最大深度。根节点对应于深度 1。在许多应用中,从 4 到 6 的深度提供良好的模型。
缺失值惩罚
为具有缺失值的预测变量输入惩罚值。由于使用较少的数据更容易成为一个良好拆分变量,因此有缺失数据的预测变量比没有缺失数据的预测变量更有优势。使用此选项对缺失数据的预测变量进行惩罚。
0.0 ≤ K ≤ 2.0,例如:
  • K = 0: 指定不惩罚。
  • K = 2: 指定最高惩罚。
高阶属性惩罚
为具有许多值的类别预测变量输入惩罚值。由于具有许多水平的类别预测变量会因其分裂功效的增加而扭曲一个树,因此它们比具有较少水平的预测变量更有优势。使用此选项对具有多个水平的预测变量进行惩罚。
0.0 ≤ K ≤ 5.0,例如:
  • K = 0: 指定不惩罚。
  • K = 5: 指定最高惩罚。
使用此网站,即表示您同意对数据分析和个性化内容使用 Cookie。  请阅读我们的政策