使用 TreeNet^® 分类 的 发现关键预测变量 的示例

解释结果

对于此分析，Minitab Statistical Software 比较了 28 个模型。步骤数小于最大步骤数，因为 泡沫稳定性 预测变量在第一个模型中具有 0 的重要度分值，因此算法在第一步中排除了 2 个变量。模型评估表的模型列中的星号显示，具有最小负对数似然统计平均值的模型是模型 23。模型评估表之后的结果适用于模型 23。

虽然模型 23 的负对数似然统计平均值最小，但其他模型具有类似的值。团队可以单击 选择备择模型，以从模型评估表中生成其他模型的结果。

在模型 23 的结果中，负对数似然平均值与树数图显示，最优树数几乎是分析中的树数。团队可以单击 调整超参数以确定更好的模型 以增加树数，并查看其他超参数的更改是否提高了模型的性能。

相对变量重要性图按照在对树序列上的预测变量进行拆分时预测变量对模型的改进作用的顺序，绘制预测变量的重要性图。最重要的预测变量是 混合时间。如果顶部预测变量 混合时间 的重要度为 100%，则下一个重要变量 窑温 的贡献为 93.9%。这意味着 窑温 的贡献是 93.9%，与 混合时间 一样重要。

使用部分依赖图可以深入了解重要变量或变量对如何影响预测的响应。1/2 对数尺度的响应值是来自模型的预测值。部分依赖图显示响应与变量之间的关系是线性、单调还是更复杂的关系。

单预测变量部分依赖图显示，混合时间、窑温 和 烘烤时间 的中值增加了可接受脆饼的几率。干燥时间 的中值可降低可接受脆饼的几率。研究人员可以单击 选择更多要绘制的预测变量 以生成其他变量的图。

混合时间 和 窑温 的双预测变量部分依赖图显示了两个变量与响应之间的更复杂的关系。虽然 混合时间 和 窑温 的中值增加了可接受脆饼的机率，但图显示，当两个变量均为中值时，则出现最佳几率。研究人员可以单击 选择更多要绘制的预测变量，以生成其他变量对的图。