使用 TreeNet® 回归拟合模型发现关键预测变量 的模型汇总表

注意

此命令适用于 预测分析模块单击此处了解更多关于如何激活模块的信息

查找模型汇总表的定义和解释指南。
注意

Minitab 可显示训练和检验数据集的结果。检验结果指示模型是否可以充分预测新观测值的响应值,或是否可以正确汇总响应变量和预测变量之间的关系。使用训练结果可评估模型是否过度拟合。

预测变量总数

可用于 TreeNet® 模型的预测变量总数。总数是您指定的连续预测变量数和类别预测变量数之和。

重要预测变量

TreeNet® 模型中重要预测变量的数量。重要预测变量的重要性分数大于 0.0。可以使用相对变量重要性图来显示相对变量重要性的顺序。例如,假设模型中的 20 个预测变量中有 10 个比较重要,则相对变量重要性图会按重要性顺序显示变量。

生成的树数

默认情况下,Minitab 会生成 300 个小 CART® 树来生成 TreeNet® 模型。尽管此值非常适合用于探索数据,但请考虑是否要生成更多的树来生成最终模型。要更改生成的树数,请转到选项子对话框。

最优树数

最优树数量对应于最高 R2 值或最低 MAD 值。

当最优树数接近模型生成的最大树数时,请考虑使用更多树进行分析。因此,如果生成 300 个树而最优数量返回为 298,则使用更多树重新构建模型。如果最优数量继续接近最大数量,则继续增加树数。

R 平方

R2 是由模型解释的响应的变异百分比。异常值对 R2 的影响大于对 MAD 和 MAPE 的影响。

使用验证方法时,该表包括训练数据集的 R2 统计量和检验数据集的 R2 统计量。如果验证方法为 k 折叠交叉验证,则在模型构建排除每个折叠时,检验数据集即为该折叠。检验 R2 统计量通常能够更好地衡量模型对新数据的作用效果。

解释

使用 R2 可确定模型与数据的拟合程度。R2 值越高,模型与数据的拟合度越好。R2 始终介于 0% 和 100% 之间。

您可以图形方式说明不同 R2 值的含义。第一个图所示为简单回归模型,该模型可解释响应中 85.5% 的变异。第二个图所示的模型可解释响应中 22.6% 的变异。模型解释的变异越多,数据点越接近拟合值。从理论上讲,如果模型可以解释 100% 的变异,则拟合值始终等于观测值,所有数据点都将落在 y = x 线上。

显著小于训练 R2 的检验 R2 表示:模型可能无法预测新案例的响应值并且模型与当前数据集拟合。

均方根误差 (RMSE)

均方根误差 (RMSE) 衡量模型的准确度。异常值对 RMSE 的影响大于对 MAD 和 MAPE 的影响。

使用验证方法时,该表包括训练数据集的 RMSE 统计量和检验数据集的 RMSE 统计量。如果验证方法为 k 折叠交叉验证,则在模型构建排除每个折叠时,检验数据集即为该折叠。检验 RMSE 统计量通常能够更好地衡量模型对新数据的作用效果。

解释

用于比较不同模型的拟合。值越小,拟合越好。显著小于训练 RMSE 的检验 RMSE 表示:模型可能无法预测新案例的响应值并且模型与当前数据集拟合。

均方误 (MSE)

均方误 (MSE) 衡量模型的准确度。异常值对 MSE 的影响大于对 MAD 和 MAPE 的影响。

使用验证方法时,该表包括训练数据集的 MSE 统计量和检验数据集的 MSE 统计量。如果验证方法为 k 折叠交叉验证,则在模型构建排除每个折叠时,检验数据集即为该折叠。检验 MSE 统计量通常能够更好地衡量模型对新数据的作用效果。

解释

用于比较不同模型的拟合。值越小,拟合越好。显著小于训练 MSE 的检验 MSE 表示:模型可能无法预测新案例的响应值并且模型与当前数据集拟合。

平均绝对偏差 (MAD)

平均绝对偏差 (MAD) 以与数据相同的单位表示准确度,这有助于使误差量概念化。异常值对 MAD 的影响小于对 R2、RMSE 和 MSE 的影响。

使用验证方法时,该表包括训练数据集的 MAD 统计量和检验数据集的 MAD 统计量。如果验证方法为 k 折叠交叉验证,则在模型构建排除每个折叠时,检验数据集即为该折叠。检验 MAD 统计量通常能够更好地衡量模型对新数据的作用效果。

解释

用于比较不同模型的拟合。值越小,拟合越好。显著小于训练 MAD 的检验 MAD 表示:模型可能无法预测新案例的响应值并且模型与当前数据集拟合。

平均绝对百分比误差 (MAPE)

平均绝对百分比误差 (MAPE) 以误差的百分比来表示准确度。由于 MAPE 为百分比,因此与其他准确度度量统计量相比,它更易于理解。例如,如果 MAPE 平均为 0.05,则所有案例的拟合误差与实际值之间的平均比值为 5%。异常值对 MAPE 的影响小于对 R2、RMSE 和 MSE 的影响。

但是,有时您可能会看到非常大的 MAPE 值,即使模型与数据的拟合情况良好也是如此。检查拟合与实际响应值图,查看是否有数据值接近 0。由于 MAPE 将绝对误差除以实际数据,因此接近 0 的值会显著加大 MAPE。

使用验证方法时,该表包括训练数据集的 MAPE 统计量和检验数据集的 MAPE 统计量。如果验证方法为 k 折叠交叉验证,则在模型构建排除每个折叠时,检验数据集即为该折叠。检验 MAPE 统计量通常能够更好地衡量模型对新数据的作用效果。

解释

用于比较不同模型的拟合。值越小,拟合越好。显著小于训练 MAPE 的检验 MAPE 表示:模型可能无法预测新案例的响应值并且模型与当前数据集拟合。

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