Docs
...
chaidnode properties

propiedades de chaidnode

Última actualización: 12 feb 2025
propiedades de chaidnode

Icono de nodo CHAIDEl nodo CHAID genera árboles de decisión utilizando estadísticos de chi-cuadrado para identificar las divisiones óptimas. A diferencia de los nodos C&RT y QUEST, CHAID puede generar árboles no binarios, lo que significa que algunas divisiones generarán más de dos ramas. Los campos de entrada y objetivo pueden ser continuos (rango numérico) o categóricos. CHAID exhaustivo es una modificación de CHAID que examina con mayor precisión todas las divisiones posibles, aunque necesita más tiempo para realizar los cálculos.

Ejemplo

stream = modeler.script.stream()
sourcenode = stream.findByID("id46WRP1285C")

node = stream.createAt("chaid", "My node", 200, 100)
stream.link(sourcenode, node)

node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["Age", "Na", "K", "Cholesterol", "BP"])
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "CHAID")
node.setPropertyValue("method", "Chaid")
node.setPropertyValue("model_output_type", "InteractiveBuilder")
node.setPropertyValue("use_tree_directives", True)
node.setPropertyValue("tree_directives", "Test")
node.setPropertyValue("split_alpha", 0.03)
node.setPropertyValue("merge_alpha", 0.04)
node.setPropertyValue("chi_square", "Pearson")
node.setPropertyValue("use_percentage", False)
node.setPropertyValue("min_parent_records_abs", 40)
node.setPropertyValue("min_child_records_abs", 30)
node.setPropertyValue("epsilon", 0.003)
node.setPropertyValue("max_iterations", 75)
node.setPropertyValue("split_merged_categories", True)
node.setPropertyValue("bonferroni_adjustment", True)
Tabla 1. Propiedades de chaidnode
Propiedades de chaidnode Tipo o valores de datos Descripción de la propiedad
target campo Los modelos CHAID requieren un único campo objetivo y uno o más campos de entrada. También puede especificar una frecuencia. Para obtener más información, consulte Propiedades de nodo de modelado común.
continue_training_existing_model distintivo  
objective
  • Standard
  • Boosting
  • Bagging
  • psm
 psm se utiliza para conjuntos de datos grandes y requiere una conexión de servidor.
model_output_type
  • Single
  • InteractiveBuilder
  
use_tree_directives distintivo  
tree_directives serie  
method
  • Chaid
  • ExhaustiveChaid
  
use_max_depth
  • Default
  • Custom
  
max_depth entero Profundidad máxima del árbol, de 0 a 1000. Se utiliza sólo si use_max_depth = Custom.
use_percentage distintivo  
min_parent_records_pc número  
min_child_records_pc número  
min_parent_records_abs número  
min_child_records_abs número  
use_costs distintivo  
costs estructurado Propiedad estructurada.
trails número Número de modelos de componente para un aumento o agregación autodocimante.
set_ensemble_method
  • Voting
  • HighestProbability
  • HighestMeanProbability
 La regla predeterminada para combinar objetivos categóricos.
range_ensemble_method
  • Mean
  • Median
 Regla de combinación predeterminada para objetivos continuos.
large_boost distintivo Aplica el aumento para conjuntos de datos grandes.
split_alpha número Nivel de significancia para división.
merge_alpha número Nivel de significancia para fusión.
bonferroni_adjustment distintivo Ajuste los valores de significación utilizando el método Bonferroni.
split_merged_categories distintivo Permitir segunda división de categorías fusionadas.
chi_square
  • Pearson
  • LR
 El método utilizado para calcular el estadístico de chi-cuadrado: Pearson o razón de verosimilitud
epsilon número Cambio mínimo en frecuencias de casillas esperadas.
max_iterations número Número máximo de iteraciones para la convergencia.
set_random_seed entero  
seed número  
calculate_variable_importance distintivo  
calculate_raw_propensities distintivo  
calculate_adjusted_propensities distintivo  
adjusted_propensity_partition
  • Test
  • Validation
  
maximum_number_of_models entero  
train_pct doble El algoritmo separa internamente los registros en un conjunto de generación de modelos y un conjunto de prevención sobreajustado. El conjunto de prevención sobreajustado es un conjunto independiente de registros de datos utilizados para rastrear errores durante el entrenamiento, lo que impide que el método modele la variación de probabilidad en los datos. Especifique un porcentaje de registros. El valor predeterminado es 30.
use_customize_layer Booleano El valor predeterminado es false. Puede establecer esta propiedad en true si desea designar campos específicos como puntos en los que dividir el árbol de decisiones.
customize_layer lista Esta propiedad sólo se utiliza cuando use_customize_layer se establece en true.
Esta propiedad es una lista de objetos. Cada uno de los objetos tiene dos atributos:
  • Layer es un entero que indica la capa n-th específica en el árbol de decisiones que desea personalizar. En SPSS Modeler, las capas empiezan desde 0 (raíz).
  • Fields es una lista de nombres. Cada nombre es uno de los campos en los que desea que el árbol de decisiones se divida potencialmente para ese Layer. Estos campos se evalúan mediante SPSS Modeler en el orden en el que se listan.
Cuando se ejecuta el flujo SPSS Modeler , el algoritmo CHAID evalúa y devuelve una lista de candidatos de campos en los que dividir basándose en el valor p para cada capa. Para una capa personalizada, cada campo que ha especificado para la capa se compara con la lista completa de candidatos de campos. El primer campo que coincide con un campo de la lista de candidatos se utiliza para la división. El resto de los campos especificados se ignoran. Si ninguno de los campos coincide, aparece un mensaje de aviso y el árbol se divide como normal.