logregnode, Eigenschaften

Letzte Aktualisierung: 11. Feb. 2025

Symbol für Logistikknoten Die logistische Regression ist ein statistisches Verfahren zur Klassifizierung von Datensätzen auf der Grundlage der Werte von Eingabefeldern. Sie ist analog zur linearen Regression, außer dass statt eines numerischen Bereichs ein kategoriales Zielfeld verwendet wird.

Beispiel für ein multinomiales Modell

node = stream.create("logreg", "My node")
# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["BP", "Cholesterol", "Age"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Log_reg Drug")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("method", "Stepwise")
node.setPropertyValue("logistic_procedure", "Multinomial")
node.setPropertyValue("multinomial_base_category", "BP")
node.setPropertyValue("model_type", "FullFactorial")
node.setPropertyValue("custom_terms", [["BP", "Sex"], ["Age"], ["Na", "K"]])
node.setPropertyValue("include_constant", False)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("scale", "Pearson")
node.setPropertyValue("scale_value", 3.0)
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("tolerance", "1.0E-7")
# "Convergence..." section
node.setPropertyValue("max_iterations", 50)
node.setPropertyValue("max_steps", 3)
node.setPropertyValue("l_converge", "1.0E-3")
node.setPropertyValue("p_converge", "1.0E-7")
node.setPropertyValue("delta", 0.03)
# "Output..." section
node.setPropertyValue("summary", True)
node.setPropertyValue("likelihood_ratio", True)
node.setPropertyValue("asymptotic_correlation", True)
node.setPropertyValue("goodness_fit", True)
node.setPropertyValue("iteration_history", True)
node.setPropertyValue("history_steps", 3)
node.setPropertyValue("parameters", True)
node.setPropertyValue("confidence_interval", 90)
node.setPropertyValue("asymptotic_covariance", True)
node.setPropertyValue("classification_table", True)
# "Stepping" options
node.setPropertyValue("min_terms", 7)
node.setPropertyValue("use_max_terms", True)
node.setPropertyValue("max_terms", 10)
node.setPropertyValue("probability_entry", 3)
node.setPropertyValue("probability_removal", 5)
node.setPropertyValue("requirements", "Containment")

Beispiel für ein binomiales Modell

node = stream.create("logreg", "My node")
# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Cholesterol")
node.setPropertyValue("inputs", ["BP", "Drug", "Age"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "Log_reg Cholesterol")
node.setPropertyValue("multinomial_base_category", "BP")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("binomial_method", "Forwards")
node.setPropertyValue("logistic_procedure", "Binomial")
node.setPropertyValue("binomial_categorical_input", "Sex")
node.setKeyedPropertyValue("binomial_input_contrast", "Sex", "Simple")
node.setKeyedPropertyValue("binomial_input_category", "Sex", "Last")
node.setPropertyValue("include_constant", False)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("scale", "Pearson")
node.setPropertyValue("scale_value", 3.0)
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("tolerance", "1.0E-7")
# "Convergence..." section
node.setPropertyValue("max_iterations", 50)
node.setPropertyValue("l_converge", "1.0E-3")
node.setPropertyValue("p_converge", "1.0E-7")
# "Output..." section
node.setPropertyValue("binomial_output_display", "at_each_step")
node.setPropertyValue("binomial_goodness_of_fit", True)
node.setPropertyValue("binomial_iteration_history", True)
node.setPropertyValue("binomial_parameters", True)
node.setPropertyValue("binomial_ci_enable", True)
node.setPropertyValue("binomial_ci", 85)
# "Stepping" options
node.setPropertyValue("binomial_removal_criterion", "LR")
node.setPropertyValue("binomial_probability_removal", 0.2)

Tabelle 1. logregnode, Eigenschaften
`logregnode`Eigenschaften	Werte	Eigenschaftsbeschreibung
`target`	Feld	Logistische Regressionsmodelle erfordern ein einzelnes Zielfeld und eines oder mehrere Eingabefelder. Häufigkeits- und Gewichtungsfelder werden nicht verwendet. Weitere Informationen finden Sie unter Allgemeine Eigenschaften von Modellierungsknoten .
`logistic_procedure`	`Binomial` `Multinomial`
`include_constant`	Markierung
`mode`	`Simple` `Expert`
`method`	`Enter` `Stepwise` `Forwards` `Backwards` `BackwardsStepwise`
`binomial_method`	`Enter` `Forwards` `Backwards`
`model_type`	`MainEffects` `FullFactorial` `Custom`	Wenn `FullFactorial`als Modelltyp angegeben ist, werden Schrittmethoden nicht ausgeführt, auch wenn sie angegeben sind. Stattdessen wird die Methode `Enter`verwendet. Wenn der Modelltyp auf `Custom` gesetzt ist, jedoch keine benutzerdefinierten Felder angegeben wurden, wird ein Haupteffektmodell erstellt.
`custom_terms`	[[BP-Geschlecht] [BP] [Alter]]
`multinomial_base_category`	Zeichenfolge	Gibt an, wie die Referenzkategorie bestimmt wird.
`binomial_categorical_input`	Zeichenfolge
`binomial_input_contrast`	`Indicator` `Simple` `Difference` `Helmert` `Repeated` `Polynomial` `Deviation`	Verschlüsselte Eigenschaft für kategoriale Eingaben, die angibt, wie der Kontrast bestimmt wird. Die Verwendung (Syntax) können Sie dem Beispiel entnehmen.
`binomial_input_category`	`First` `Last`	Verschlüsselte Eigenschaft für kategoriale Eingaben, die angibt, wie die Referenzkategorie bestimmt wird. Die Verwendung (Syntax) können Sie dem Beispiel entnehmen.
`scale`	`None` `UserDefined` `Pearson` `Deviance`
`scale_value`	Zahl
`all_probabilities`	Markierung
`tolerance`	`1.0E-5` `1.0E-6` `1.0E-7` `1.0E-8` `1.0E-9` `1.0E-10`
`min_terms`	Zahl
`use_max_terms`	Markierung
`max_terms`	Zahl
`entry_criterion`	`Score` `LR`
`removal_criterion`	`LR` `Wald`
`probability_entry`	Zahl
`probability_removal`	Zahl
`binomial_probability_entry`	Zahl
`binomial_probability_removal`	Zahl
`requirements`	`HierarchyDiscrete` `HierarchyAll` `Containment` `None`
`max_iterations`	Zahl
`max_steps`	Zahl
`p_converge`	`1.0E-4` `1.0E-5` `1.0E-6` `1.0E-7` `1.0E-8` `0`
`l_converge`	`1.0E-1` `1.0E-2` `1.0E-3` `1.0E-4` `1.0E-5` `0`
`delta`	Zahl
`iteration_history`	Markierung
`history_steps`	Zahl
`summary`	Markierung
`likelihood_ratio`	Markierung
`asymptotic_correlation`	Markierung
`goodness_fit`	Markierung
`parameters`	Markierung
`confidence_interval`	Zahl
`asymptotic_covariance`	Markierung
`classification_table`	Markierung
`stepwise_summary`	Markierung
`info_criteria`	Markierung
`monotonicity_measures`	Markierung
`binomial_output_display`	`at_each_step` `at_last_step`
`binomial_goodness_of_fit`	Markierung
`binomial_parameters`	Markierung
`binomial_iteration_history`	Markierung
`binomial_classification_plots`	Markierung
`binomial_ci_enable`	Markierung
`binomial_ci`	Zahl
`binomial_residual`	`outliers` `all`
`binomial_residual_enable`	Markierung
`binomial_outlier_threshold`	Zahl
`binomial_classification_cutoff`	Zahl
`binomial_removal_criterion`	`LR` `Wald` `Conditional`
`calculate_variable_importance`	Markierung
`calculate_raw_propensities`	Markierung