选择要为使用 TreeNet^® 回归 的 拟合模型 和 发现关键预测变量 评估的超参数值

TreeNet^® 模型的性能通常对学习速率、子样本部分和构成模型的单个树的复杂度等值敏感。在模型的结果中，单击 调整超参数以确定更好的模型 来评估这些超参数的多个值，以了解哪个组合产生准确度标准的最佳值，例如最大 R² 值。这些超参数的更好值有可能显著提高预测准确度，因此探索不同的值是分析中常见的一步。

您还可以调整模型包含的树数。一般来说，300 个树足以区分超参数值。通常，当一个或多个关注模型的最优树数接近最大树数时，您会增加树数。如果树数接近最大数，则增加树数更有可能提高模型的性能。

为每个超参数指定一个或多个值以进行评估。分析评估了超参数，以找到具有准确度标准最佳值的组合。如果您没有为超参数输入任何值，则评估将在结果中使用模型中该超参数的值。如果响应是二值响应，并且原始模型指定了要采样的事件和非事件的比率，则评估始终使用原始模型中的比率。

输入介于 1 和 5000 之间的值，以设置要构建的最大树数。300 这个默认值通常为评估超参数值提供有用的结果。

如果一个或多个关注模型的树数接近您指定的树数，则考虑是否增加树数。如果树数接近最大数，则增加树数更有可能提高模型的性能。

指定要检查的值后，单击 显示结果。在一组新的结果中，Minitab 生成了一张表格，该表格比较超参数组合的准确度标准与具有准确度标准最佳值的模型的结果。

Minitab 为新模型重新创建与原始模型相同的表格和图形。新模型的表格和图形在一组新结果中。存储与原始分析相同。存储列位于同一个工作表中。例如，如果原始分析将拟合值存储在标题为“拟合值”的列中，则新分析将空白列标题命名为“Fit_1”并存储拟合值。