Der Ensembleknoten kombiniert zwei oder mehr Modellnuggets, um genauere Vorhersagen zu erzielen, als aus einem dieser Modelle allein gewonnen werden können. Durch die Kombination der Vorhersagen aus mehreren Modellen können Beschränkungen in einzelnen Modellen vermieden werden, was zu einer höheren Gesamtgenauigkeit führt. Auf diese Weise kombinierte Modelle bringen normalerweise eine mindestens ebenso gute Leistung wie die besten Einzelmodelle und sind häufig sogar noch besser.
Diese Kombination von Knoten erfolgt automatisch in den automatisierten Modellierungsknoten "Automatisches Klassifikationsmerkmal" und "Autonumerisch".
Nach der Verwendung eines Ensembleknotens können Sie mithilfe eines Analyse- oder Evaluierungsknotens die Genauigkeit der kombinierten Ergebnisse mit den Ergebnissen der einzelnen als Eingabe verwendeten Modelle vergleichen. Hierbei darf die Option Von Ensemblemodellen generierte Felder herausfiltern in den Einstellungen des Ensembleknotens nicht ausgewählt sein.
Ausgabefelder
Jeder Ensembleknoten generiert ein Feld mit den kombinierten Scores. Der Name beruht auf dem angegebenen Zielfeld und trägt das Präfix $XF_
, $XS_
oder $XR_
, je nach Messniveau des Felds (Flag, nominal (Set) bzw. stetig (Bereich)). Wenn das Ziel beispielsweise ein Flagfeld mit dem Namen response
ist, lautet das Ausgabefeld $XF_response
.
Konfidenz- bzw. Neigungsfelder. Bei Flagfeldern und nominalen Feldern werden zusätzliche Konfidenz- bzw. Neigungsfelder, die auf der EnsemblemMethode beruhen, wie in der folgenden Tabelle beschrieben.
Ensemble-Methode | Feldname |
---|---|
Abstimmen
Konfidenzgewichtetes Voting Raw-propensity-gewichtetes Voting Adjusted-propensity-gewichtetes Voting Höchste Konfidenzgewinne |
$XFC_<field> |
Durchschnittliche Raw Propensity | $XFRP_<field> |
Durchschnittliche Adjusted Propensity | $XFAP_<field> |