为 发现最佳模型 (二值响应) 选择替代模型

选择现有模型

在搜索最佳型号时，分析可生成多达 3 个随机森林^® 型号，内部节点具有不同的最小尺寸。从列表中选择一个模型，然后单击 显示结果 以生成该模型的结果。

指定用来拟合新模型的超参数

选择现有模型

在搜索最佳型号时，分析为每种超参数组合生成 TreeNet^® 模型。从列表中选择一个模型，然后单击 显示结果 以生成该模型的结果。

指定用来拟合新模型的超参数

分析要求您指定所有超参数。单击 显示结果 以评估新型号的超参数。结果包括一个表，比较不同组合的超参数的最佳度标准，以及模型的结果与分析精度标准的最佳值，如最小平均 [日志状' 。

学习速率

输入最多 10 个值。合格值范围为 0.0001 到 1。

子样本部分

输入最多 10 个值。合格值大于 0 且小于或等于 1。

每个树的最大终端节点数和 最大树深度

选择是评估 每个树的最大终端节点数 还是 最大树深度。通常，任一选择都是识别有用模型的合理方法，选择仅取决于个人偏好。

最大终端节点数

输入最多 3 个值。合格值范围为 2 到 2000。值 2 排除了交互作用调查。

最大树深度

输入最多 3 个值。合格值范围在 2 到 1000 之间，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

节点分裂的预测变量数

输入最多 3 个值。合格值在 1 和预测器总数之间。通常，考虑使用预测变量总数的平方根时，分析效果良好。但是，当分析考虑将较大或较小的预测变量数用于每个节点时，某些数据集在预测变量之间具有关联，从而改进模型性能。

树数

输入介于 1 和 5000 之间的值，以指定要构建的最大树数。300 这个默认值通常为评估超参数值提供有用的结果。

如果一个或多个关注模型的树数接近您指定的树数，则考虑是否增加树数。如果树数接近最大数，则增加树数更有可能提高模型的性能。