通过排除使用 TreeNet^® 回归的 发现关键预测变量 的不重要或重要预测变量来评估模型

每一步的最优树数通常不同。如果最优数量接近于用于分析的总树数，则模型更有可能改进。您可以考虑是否进一步探索一种似乎有可能改进的备择模型。

R² 是由模型解释的响应的变异百分比。R² 值范围是 0% 到 100%。

当您使用平方误差损失函数或 Huber 损失函数时，该表格包括每个模型的 R² 值。接下来的结果适用于具有最高 R² 值的模型。如果具有较少项的模型具有接近最优值的 R² 值，则考虑是否进一步探索备择模型。预测变量较少的模型更容易解释，并且允许您处理较少数量的预测变量。

平均绝对偏差 (MAD) 是预测值与实际值之间差值的绝对值的平均值。MAD 越小，模型拟合数据的优度越高。MAD 以与数据相同的单位表示准确度，从而有助于使误差量概念化。

当您使用绝对偏差损失函数时，该表格包括每个模型的 MAD 值。表格后面的完整结果适用于 MAD 值最小的模型。如果具有较少项的模型具有接近最优值的 MAD 值，则考虑是否进一步探索备择模型。预测变量较少的模型更容易解释，并且允许您处理较少数量的预测变量。

预测变量计数是模型中的预测变量数。表格第一行中的预测变量数始终是分析中考虑的所有预测变量。第一行之后，预测变量数取决于分析是否排除了不重要的预测变量或重要预测变量。

当分析删除最不重要的预测变量后，则在每个步骤中，预测变量数会减少指定数量，并减少任何具有 0 重要度分值的预测变量。例如，如果分析在每一步排除 10 个预测变量，在初始模型中有 900 个预测变量和 450 个具有 0 重要度分值的预测变量，那么表格的第一行就有 900 个预测变量。第二行有 440 个预测变量，因为分析删除了重要度分值为 0 的 450 个预测变量和 10 个最不重要的预测变量。

当分析删除最重要的预测变量时，每个步骤的预测变量数会减少指定数量。具有 0 重要度的预测变量仍保留在模型中。

该列显示每步中已排除的预测变量。该列表在一个步骤中最多显示 25 个预测变量标题。第一行始终显示“无”，因为模型具有所有预测变量。第一行之后，预测变量数取决于分析是否排除了不重要的预测变量或重要预测变量。

当分析删除最不重要的预测变量时，则在每个步骤中，预测变量数会减少指定数量，并减少任何具有 0 重要度分值的预测变量。如果分析排除了具有 0 重要度分值的预测变量，则这些预测变量就会在列表中排在第一。当分析排除了任一类别中的多个预测变量时，名称的顺序是工作表中预测变量的顺序。

当分析删除最重要的预测变量时，该列表显示每个步骤中已排除的预测变量。当分析在一个步骤中排除多个重要预测变量时，列表中名称的顺序是工作表中预测变量的顺序。