Random Forests^® 分类的方法表

Random Forests^® 分类 为每次分析使用 OOB 验证。如果您除了 OOB 验证，还选择使用测试集验证，则表格显示标识测试集或检验和训练集中数据百分比的列。

Bootstrap 样本数表示分析中的树数。当您使用唯一的 OOB 验证时，样本数量与分析中的行数相同。当您采用“使用测试集验证”时，默认样本数量与训练数据大小相同。如果您选择使用小于训练数据大小的样本数量，表格将显示该大小。

该行指示节点拆分是考虑每个节点的每个预测变量，还是预测变量的随机子集。如果节点拆分使用随机子集，则该行指示要考虑的选定预测变量数。

如果最初使用所有的预测变量，请考虑是否使用后续模型中的预测变量子集来比较模型的性能。

最小内部节点大小指示节点可以拥有且仍可分裂为更多节点的最小案例数。如果模型性能不足，请考虑是否增大此值以查看对性能的影响。

默认情况下，分析没有缺失值惩罚，并且不存在此行。“缺失值惩罚”按缺失值比率对预测变量执行惩罚。变量的惩罚值越高，越不可能成为节点拆分变量。

默认情况下，分析没有高阶属性惩罚，并且不存在此行。高阶属性惩罚会根据相对于每个节点的节点大小的类别水平数来对变量执行惩罚。因此，节点中具有多个水平的竞争变量不太可能成为该节点的拆分变量。

分析中的响应观测值个数。

缺少响应观测值的数量。