proprietà logregnode

Ultimo aggiornamento: 11 feb 2025

Icona nodo Logistica La regressione logistica, una tecnica statistica che consente di classificare i record in base ai valori dei campi di input, è analoga alla regressione lineare ma, al posto di un intervallo numerico, prende un campo obiettivo categoriale.

Esempio multinomiale

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")

Esempio binomiale

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)

Tabella 1. proprietà logregnode
`logregnode` proprietà	Valori	Descrizione proprietà
`target`	campo	I modelli di regressione logistica richiedono un solo campo obiettivo e uno o più campi di input. I campi frequenza e peso non sono utilizzati. Per ulteriori informazioni, consultare Proprietà comuni del nodo Modelli .
`logistic_procedure`	`Binomial` `Multinomial`
`include_constant`	indicatore
`mode`	`Simple` `Expert`
`method`	`Enter` `Stepwise` `Forwards` `Backwards` `BackwardsStepwise`
`binomial_method`	`Enter` `Forwards` `Backwards`
`model_type`	`MainEffects` `FullFactorial` `Custom`	Quando `FullFactorial` viene specificato come tipo di modello, i metodi di controllo non verranno eseguiti, anche se specificati. Verrà invece utilizzato il metodo `Enter`. Se il tipo di modello è impostato su `Custom`, ma non sono stati specificati campi personalizzati, verrà creato un modello effetti principali.
`custom_terms`	[[ Sesso BP] [ BP] [ Età]]
`multinomial_base_category`	Stringa	Specifica come viene determinata la categoria di riferimento.
`binomial_categorical_input`	Stringa
`binomial_input_contrast`	`Indicator` `Simple` `Difference` `Helmert` `Repeated` `Polynomial` `Deviation`	Proprietà basata su chiavi per input categoriali che indica come viene determinato il confronto. Per l'utilizzo, vedere l'esempio.
`binomial_input_category`	`First` `Last`	Proprietà basata su chiavi per input categoriali che indica come viene determinata la categoria di riferimento. Per l'utilizzo, vedere l'esempio.
`scale`	`None` `UserDefined` `Pearson` `Deviance`
`scale_value`	numero
`all_probabilities`	indicatore
`tolerance`	`1.0E-5` `1.0E-6` `1.0E-7` `1.0E-8` `1.0E-9` `1.0E-10`
`min_terms`	numero
`use_max_terms`	indicatore
`max_terms`	numero
`entry_criterion`	`Score` `LR`
`removal_criterion`	`LR` `Wald`
`probability_entry`	numero
`probability_removal`	numero
`binomial_probability_entry`	numero
`binomial_probability_removal`	numero
`requirements`	`HierarchyDiscrete` `HierarchyAll` `Containment` `None`
`max_iterations`	numero
`max_steps`	numero
`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`	numero
`iteration_history`	indicatore
`history_steps`	numero
`summary`	indicatore
`likelihood_ratio`	indicatore
`asymptotic_correlation`	indicatore
`goodness_fit`	indicatore
`parameters`	indicatore
`confidence_interval`	numero
`asymptotic_covariance`	indicatore
`classification_table`	indicatore
`stepwise_summary`	indicatore
`info_criteria`	indicatore
`monotonicity_measures`	indicatore
`binomial_output_display`	`at_each_step` `at_last_step`
`binomial_goodness_of_fit`	indicatore
`binomial_parameters`	indicatore
`binomial_iteration_history`	indicatore
`binomial_classification_plots`	indicatore
`binomial_ci_enable`	indicatore
`binomial_ci`	numero
`binomial_residual`	`outliers` `all`
`binomial_residual_enable`	indicatore
`binomial_outlier_threshold`	numero
`binomial_classification_cutoff`	numero
`binomial_removal_criterion`	`LR` `Wald` `Conditional`
`calculate_variable_importance`	indicatore
`calculate_raw_propensities`	indicatore