propriétés de chaidnode

Retourner à la version anglaise de la documentation

Dernière mise à jour : 23 mai 2024

propriétés de chaidnode

Icône de noeud CHAID Le noeud CHAID génère des arbres décision à l'aide des statistiques du khi-carré pour identifier les divisions optimales. Contrairement aux noeuds Arbre C&RT et QUEST, CHAID peut générer des arbres non binaires, ce qui implique que certaines divisions possèdent plusieurs branches. Les champs cibles et les champs d'entrée peuvent être d'intervalle numérique (continu) ou catégoriques. La méthode Exhaustive CHAID correspond à une modification du CHAID qui examine plus en détail toutes les divisions possibles, mais dont les calculs sont plus longs.

Exemple

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)

Tableau 1. propriétés de chaidnode
Propriétés `chaidnode`	Type de données ou valeurs	Description de la propriété
`target`	Zone	Les modèles CHAID requièrent un seul champ cible et un ou plusieurs champs d'entrée. Vous pouvez également spécifier une fréquence. Pour plus d'informations, voir Propriétés des noeuds de modélisation communes.
`continue_training_existing_model`	option
`objective`	`Standard` `Boosting` `Bagging` `psm`	`psm` est utilisé pour les jeux de données volumineux et nécessite une connexion serveur.
`model_output_type`	`Single` `InteractiveBuilder`
`use_tree_directives`	option
`tree_directives`	chaîne
`method`	`Chaid` `ExhaustiveChaid`
`use_max_depth`	`Default` `Custom`
`max_depth`	Integer	Profondeur maximale de l'arbre, de 0 à 1000. Utilisé uniquement si `use_max_depth = Custom`.
`use_percentage`	option
`min_parent_records_pc`	number
`min_child_records_pc`	number
`min_parent_records_abs`	number
`min_child_records_abs`	number
`use_costs`	option
`costs`	structuré	Propriétés structurées.
`trails`	number	Nombre des modèles de composant pour le boosting ou le bagging.
`set_ensemble_method`	`Voting` `HighestProbability` `HighestMeanProbability`	Règle par défaut pour la combinaison de cibles catégorielles.
`range_ensemble_method`	`Mean` `Median`	Règles de combinaison par défaut pour les cibles continues.
`large_boost`	option	Applique la promotion pour les jeux de données volumineux.
`split_alpha`	number	Niveau de signification pour la division.
`merge_alpha`	number	Niveau de signification pour la fusion.
`bonferroni_adjustment`	option	Ajustez les valeurs de signification à l'aide de la méthode Bonferroni.
`split_merged_categories`	option	Autoriser une nouvelle division des catégories fusionnées.
`chi_square`	`Pearson` `LR`	Méthode utilisée pour calculer la statistique du khi-carré: Pearson ou rapport de vraisemblance
`epsilon`	number	Modification minimale dans les prévisions de fréquence de cellule..
`max_iterations`	number	Itérations maximales pour convergence.
`set_random_seed`	Integer
`seed`	number
`calculate_variable_importance`	option
`calculate_raw_propensities`	option
`calculate_adjusted_propensities`	option
`adjusted_propensity_partition`	`Test` `Validation`
`maximum_number_of_models`	Integer
`train_pct`	doublon	L'algorithme sépare en interne les enregistrements en un ensemble de génération de modèle et un ensemble de prévention de surajustement. L'ensemble de prévention de surajustement est un ensemble indépendant d'enregistrements de données utilisés pour suivre les erreurs lors de l'apprentissage, ce qui empêche la méthode de modéliser la variation aléatoire dans les données. Spécifier un pourcentage d'enregistrements. La valeur par défaut est `30`.
`use_customize_layer`	Booléen	La valeur par défaut est `false`. Vous pouvez définir cette propriété sur `true` si vous souhaitez désigner des champs spécifiques comme points de division de l'arbre de décision.
`customize_layer`	list	Cette propriété est utilisée uniquement lorsque `use_customize_layer` est défini sur `true`. Cette propriété est une liste d'objets. Chacun des objets possède deux attributs: `Layer` est un entier qui indique la n-ième couche spécifique de l'arbre de décision que vous souhaitez personnaliser. Dans SPSS Modeler, les couches commencent à partir de `0` (racine). `Fields` est une liste de noms. Chaque nom est l'un des champs sur lesquels vous souhaitez que l'arbre de décision soit potentiellement divisé pour ce `Layer`. Ces champs sont évalués par SPSS Modeler dans l'ordre dans lequel ils sont répertoriés. Lorsque le flux SPSS Modeler s'exécute, l'algorithme CHAID évalue et renvoie une liste de champs candidats à fractionner en fonction de la valeur `p` pour chaque couche. Pour une couche personnalisée, chaque zone que vous avez spécifiée pour la couche est comparée à la liste complète des zones candidates. La première zone correspondant à une zone de la liste de candidats est utilisée pour la division. Les autres zones spécifiées sont ignorées. Si aucune des zones ne correspond, un message d'avertissement s'affiche et l'arborescence se divise normalement.