propiedades de discriminantnode | IBM Cloud Pak for Data as a Service

Volver a la versión inglesa de la documentación

propiedades de discriminantnode

Última actualización: 07 oct 2024

propiedades de discriminantnode

Icono de nodo discriminante El análisis discriminante hace suposiciones más estrictas que la regresión logística, pero puede ser una alternativa valiosa o un suplemento a un análisis de regresión logística cuando se cumplen esas suposiciones.

Ejemplo

node = stream.create("discriminant", "My node")
node.setPropertyValue("target", "custcat")
node.setPropertyValue("use_partitioned_data", False)
node.setPropertyValue("method", "Stepwise")

Tabla 1. propiedades de discriminantnode
Propiedades de `discriminantnode`	Valores	Descripción de la propiedad
`target`	campo	Los modelos discriminantes requieren un único campo objetivo y uno o más campos de entrada. Los campos de ponderación y frecuencia no se utilizan. Consulte Propiedades comunes del nodo de modelado para obtener más información.
`method`	`Enter` `Stepwise`
`mode`	`Simple` `Expert`
`prior_probabilities`	`AllEqual` `ComputeFromSizes`
`covariance_matrix`	`WithinGroups` `SeparateGroups`
`means`	distintivo	Opciones de estadísticas en las propiedades de nodo bajo Opciones de experto.
`univariate_anovas`	distintivo
`box_m`	distintivo
`within_group_covariance`	distintivo
`within_groups_correlation`	distintivo
`separate_groups_covariance`	distintivo
`total_covariance`	distintivo
`fishers`	distintivo
`unstandardized`	distintivo
`casewise_results`	distintivo	Opciones de clasificación en las propiedades de nodo bajo Opciones de experto.
`limit_to_first`	número	El valor predeterminado es 10.
`summary_table`	distintivo
`leave_one_classification`	distintivo
`separate_groups_covariance`	distintivo	Opción de matrices Covarianza de grupos separados.
`territorial_map`	distintivo
`combined_groups`	distintivo	Opción de gráfico Grupos combinados.
`separate_groups`	distintivo	Opción de gráfico Grupos separados.
`summary_of_steps`	distintivo
`F_pairwise`	distintivo
`stepwise_method`	`WilksLambda` `UnexplainedVariance` `MahalanobisDistance` `SmallestF` `RaosV`
`V_to_enter`	número
`criteria`	`UseValue` `UseProbability`
`F_value_entry`	número	El valor predeterminado es 3.84.
`F_value_removal`	número	El valor predeterminado es 2.71.
`probability_entry`	número	El valor predeterminado es 0.05.
`probability_removal`	número	El valor predeterminado es 0,10.
`calculate_variable_importance`	distintivo
`calculate_raw_propensities`	distintivo
`calculate_adjusted_propensities`	distintivo
`adjusted_propensity_partition`	`Test` `Validation`