Random Forests^® 分类 的模型汇总表

可用于 Random Forests® 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。

Random Forests® 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。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。

当响应为二值响应时，Minitab 会计算负对数似然的平均值。比较不同模型中的负对数似然平均值，以确定拟合最好的模型。您也可以使用此统计量来比较来自其他命令的模型，例如 CART^® 分类 和 TreeNet^® 分类。负对数似然平均值越低，拟合效果越好。

ROC 曲线在 y 轴上绘制真阳率 (TPR)，也称为功效。ROC 曲线在 x 轴上绘制假阳率 (FPR)，也称为 1 类错误。ROC 曲线下面积指示分类树是否为很好的分类器。

对于分类树，ROC 曲线下面积的值通常介于 0.5 到 1 之间。值越大表明分类模型越好。当模型可以完美地分隔类别时，曲线下面积为 1。当模型对类别的分隔程度不如随机分配时，曲线下面积为 0.5。

当响应为二元响应时，Minitab 会显示提升。提升是 10% 数据的累积提升，具有最佳的正确分类机会。

提升表示目标响应除以平均响应的比率。当提升大于 1 时，数据段的响应大于预期响应。

误分类率指示模型对事件和非事件进行准确分类的频率。值越小表明模型性能越好。