À propos des cookies sur ce site Pour fonctionner correctement, nos sites Internet nécessitent certains cookies (requis). En outre, d'autres cookies peuvent être utilisés avec votre consentement pour analyser l'utilisation d'un site, améliorer l'expérience des utilisateurs et à des fins publicitaires. Pour plus informations, passez en revue vos options de préférences en. En visitant notre site Web, vous acceptez que nous traitions les informations comme décrit dans ladéclaration de confidentialité d’IBM. Pour faciliter la navigation, vos préférences en matière de cookie seront partagées dans les domaines Web d'IBM énumérés ici.
Noeud Ensemble
Dernière mise à jour : 11 févr. 2025
Le noeud Ensemble combine deux ou plusieurs nuggets de modèles pour obtenir des prévisions plus précises que celles acquises à partir des modèles individuels. En combinant les prévisions à partir de plusieurs modèles, il est possible d'éviter les limitations dans les modèles individuels. Ce qui entraîne une plus grande précision globale. Les modèles combinés de cette manière fonctionne généralement aussi bien, sinon mieux, que les modèles individuels.
Cette combinaison de noeuds se produit automatiquement dans les noeuds de modélisation automatisée Discriminant automatique et Numérisation automatique.
Après avoir utilisé un noeud Ensemble, vous pouvez utiliser un noeud Analyse ou Evaluation pour comparer la précision des résultats combinés avec chacun des modèles d'entrée. Pour ce faire, assurez-vous que l'option Filtrer les champs générés par des modèles combinés n'est pas sélectionnée dans les paramètres de noeud Ensemble.
Champs de sortie
Chaque noeud Ensemble génère un champ contenant les scores combinés. Le nom est basé sur le champ cible spécifié et comporte le préfixe
, $XF_
ou $XS_
, selon le niveau de mesure de champ : indicateur, nominal (ensemble) ou continu (intervalle), respectivement. Par exemple, si la cible est un champ indicateur nommé $XR_
, le champ de sortie sera response
.$XF_response
Champs de confiance ou de propension. Pour les champs indicateurs et nominaux, d'autres champs de confiance ou de propension sont créés selon la méthode d'ensemble, comme illustré dans le tableau suivant.
Méthode d'ensemble | Nom de champ |
---|---|
Vote
Vote pondéré par la confiance Vote pondéré par la propension brute Vote pondéré par la propension ajustée La confiance la plus élevée l'emporte |
|
Propension brute moyenne |
|
Propension brute moyenne ajustée |
|
La rubrique a-t-elle été utile ?
0/1000