使用 TreeNet® 分类拟合模型发现关键预测变量 的调整超参数的方法和公式

注意

此命令可用于预测分析模块单击此处了解更多关于如何激活模块的信息

如果您指定多个超参数的值,则评估表中的模型取决于您是否评估了超参数的完整组合。

  • 如果您选择 评估完整的参数组合,则算法评估超参数的每一个组合。此选项通常需要更长的时间来计算。
  • 否则,该算法将按此顺序评估超参数:
    1. 学习速率
    2. 子样本部分
    3. 单值树的复杂度参数
    例如,假设该算法接收以下超参数:
    • 学习速率:0.001、0.01、0.1
    • 子样本部分:0.4、0.5、0.7
    • 最大终端节点数:4、6
    1. 该算法将子样本比率设置为 0.4,将最大终端节点数设置为 4。然后,该算法根据从最小到最大的顺序来评估学习速率:0.001、0.01、0.1。
    2. 假设该算法将 0.01 确定为最佳学习速率。然后,该算法将学习速率设置为 0.01,将最大终端节点数设置为 4。然后,该算法评估 0.4、0.5 和 0.7 的子样本比率。
    3. 假设该算法将 0.5 确定为最佳子样本比率。然后算法将学习速率设置为 0.01,将子样本比率设置为 0.5。然后,该算法评估 4 和 6 的最大节点数。
    4. 假设该算法将 6 确定为最佳最大终端节点数。然后 Minitab 生成学习速率 = 0.01、子样本比率为 0.5 和最大终端节点数为 6 的模型的评估表和结果。

在此示例中,不评估完整参数组合集的分析在评估表中包括 8 个模型。所有参数组合的分析包含 3 × 3 × 2 = 18 个组合,计算时间更长。

有关单个模型的准确度标准计算的详细信息,请转到 使用 TreeNet® 分类 的 拟合模型 和 发现关键预测变量 的模型汇总的方法和公式