Właściwości węzła chaidnode

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

Właściwości węzła chaidnode

Last updated: 04 lip 2023

Właściwości węzła chaidnode

Ikona węzła CHAID Węzeł CHAID generuje drzewa decyzyjne, korzystając ze statystyk chi-kwadrat w celu identyfikacji optymalnych podziałów. W przeciwieństwie do węzłów C & R Tree i Quest, CHAID może generować drzewa niebinarne, co oznacza, że niektóre podziały mają więcej niż dwie gałęzie. Zmienne przewidywana i wejściowa mogą być zakresami liczbowymi (ciągłymi) lub jakościowymi. Wyczerpujący CHAID stanowi modyfikację CHAID umożliwiającą dokładniejsze badanie wszystkich możliwych podziałów, lecz obliczenia w jego przypadku zajmują więcej czasu.

Przykład

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)

Tabela 1. właściwości węzła chaidnode
Właściwości węzła `chaidnode`	Wartości	Opis właściwości
`target`	field (pole)	Modele CHAID używają jednej zmiennej przewidywanej i co najmniej jednej zmiennej wejściowej. Można również określić częstotliwość. Więcej informacji na ten temat zawiera sekcja Właściwości wspólnego węzła modelowania .
`continue_training_existing_model`	Flaga
`objective`	`Standard` `Boosting` `Bagging` `psm`	Wartość `psm` jest używana w przypadku bardzo dużych zbiorów danych i wymaga połączenia z serwerem.
`model_output_type`	`Single` `InteractiveBuilder`
`use_tree_directives`	Flaga
`tree_directives`	łańcuch
`method`	`Chaid` `ExhaustiveChaid`
`use_max_depth`	`Default` `Custom`
`max_depth`	liczba całkowita	Maksymalna głębokość drzewa, od 0 do 1000. Używane tylko wtedy, gdy `use_max_depth = Custom`.
`use_percentage`	Flaga
`min_parent_records_pc`	Liczba
`min_child_records_pc`	Liczba
`min_parent_records_abs`	Liczba
`min_child_records_abs`	Liczba
`use_costs`	Flaga
`costs`	ustrukturyzowane	Właściwość ustrukturyzowana.
`trails`	Liczba	Liczba modeli zespolonych dla boostingu i/lub agregacji bootstrapowej.
`set_ensemble_method`	`Voting` `HighestProbability` `HighestMeanProbability`	Domyślna reguła zespolenia dla przewidywanych zmiennych jakościowych.
`range_ensemble_method`	`Mean` `Median`	Domyślna reguła zespolenia dla docelowych wartości ilościowych.
`large_boost`	Flaga	Zastosuj wzmocnienie do bardzo dużych zbiorów danych.
`split_alpha`	Liczba	Poziom istotności dla podziałów.
`merge_alpha`	Liczba	Poziom istotności dla łączenia.
`bonferroni_adjustment`	Flaga	Koryguj wartości istotności metodą Bonferroni.
`split_merged_categories`	Flaga	Zezwalaj na ponowny podział połączonych kategorii.
`chi_square`	`Pearson` `LR`	Metoda obliczania statystyki chi-kwadrat: Pearsona albo iloraz wiarygodności
`epsilon`	Liczba	Minimalna zmiana oczekiwanych częstości komórek.
`max_iterations`	Liczba	Maksimum iteracji dla uzyskania zbieżności.
`set_random_seed`	liczba całkowita
`seed`	Liczba
`calculate_variable_importance`	Flaga
`calculate_raw_propensities`	Flaga
`calculate_adjusted_propensities`	Flaga
`adjusted_propensity_partition`	`Test` `Validation`
`maximum_number_of_models`	liczba całkowita
`train_pct`	double (podwójna)	Algorytm wewnętrznie rozdziela rekordy między podzbiór budowania modelu oraz zbiór zabezpieczający przed przeuczeniem, który jest niezależnym zbiorem rekordów danych używanym do śledzenia błędów podczas uczenia i zapobiegania modelowaniu przez metodę zmienności prawdopodobieństwa w danych. Należy określić procent rekordów. Wartością domyślną jest `30`.