发现关键预测变量 的 TreeNet^® 回归示例

解释结果

对于此分析，Minitab Statistical Software 比较了 20 个模型。模型评估表的模型列中的星号显示，具有交叉验证 R² 统计量的最大值的模型是模型 16。模型 16 包含 5 个重要预测变量。模型评估表之后的结果适用于模型 16。

虽然模型 16 具有交叉验证 R² 统计量的最大值，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 16 的结果中，R 平方与树数图显示，最优树数等于分析中的树数 300。团队可以单击 调整超参数 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。最重要的预测变量为“模具温度”。如果顶部预测变量“模具温度”的重要度为 100%，则下一个重要变量“机器”的贡献为 58.7%。这意味着注塑机器与模具内部的温度一样重要，为 58.7%。

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。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，模具温度、注塑压力和冷却温度都与强度存在正向关系。机器图显示了机器之间的差异，机器 1 的部件平均最弱，机器 4 的部件平均最强。研究小组注意到，模具温度和机器在数据中的交互作用最强，因此他们查看双预测变量部分依赖图，以进一步了解这些变量如何影响强度。团队可以在结果中进行选择 单预测变量图 ，以生成其他变量的绘图，例如 Injection Temperature （注射温度）。

模具温度和机器的双预测变量部分依赖图提供了对机器平均强度差异的一些见解。原因之一是，来自机器 1 的数据包含的最高模具温度下的观测结果不如其他机器那么多。当其他设置相同时，团队仍然可以决定寻找机器产生不同优势的其他原因。团队可以在结果中单击 双预测变量图 以生成其他变量对的图。