使用 TreeNet^® 分类 的 拟合模型 和 发现关键预测变量 的模型汇总表

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。

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。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。

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。

最优树数对应于负对数似然或误分类率的最低平均值，或 ROC 曲线下面积的最大值。

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。

当响应为二元响应时，Minitab 会计算负对数似然函数的平均值。比较不同模型中检验的负对数似然平均值，以确定拟合最好的模型。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 曲线下面积指示模型是否为良好的分类器。

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。

最优误分类率发生在具有最优 ROC 曲线下面积的树中。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。