Volver a la versión inglesa de la documentaciónPropiedades de logregnode
Propiedades de logregnode
Última actualización: 04 oct 2024
La regresión logística es una técnica de estadístico para clasificar los registros en función los valores de los campos de entrada. Es análoga a la regresión lineal pero toma un campo objetivo categórico en lugar de uno numérico.
Ejemplo multinomial
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")Ejemplo binomial
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)Propiedades de logregnode |
Valores | Descripción de la propiedad |
|---|---|---|
target |
campo | Los modelos de regresión logística requieren un único campo objetivo y uno o más campos de entrada. Los campos de frecuencia y ponderación no se usan. Consulte Propiedades comunes del nodo de modelado para obtener más información. |
logistic_procedure |
Binomial Multinomial |
|
include_constant |
distintivo | |
mode |
Simple Expert |
|
method |
Enter Stepwise Forwards Backwards BackwardsStepwise |
|
binomial_method |
Enter Forwards Backwards |
|
model_type |
MainEffects FullFactorial Custom |
Cuando se especifica FullFactorial como tipo de modelo, los métodos por pasos no se ejecutarán, aunque se especifique. En su lugar, Enter será el método utilizado. Si el tipo de modelo se establece en Custom pero no se ha especificado ningún campo personalizado, se generará un modelo de efectos principales. |
custom_terms |
[[BP Sexo][BP][Edad]] | |
multinomial_base_category |
serie | Especifica cómo se determina la categoría de referencia. |
binomial_categorical_input |
serie | |
binomial_input_contrast |
Indicator Simple Difference Helmert Repeated Polynomial Deviation |
Propiedad con clave para la entrada categórica que especifica cómo se determina el contraste. Vea el ejemplo de uso. |
binomial_input_category |
First Last |
Propiedad con clave para la entrada categórica que especifica cómo se determina la categoría de referencia. Vea el ejemplo de uso. |
scale |
None UserDefined Pearson Deviance |
|
scale_value |
número | |
all_probabilities |
distintivo | |
tolerance |
1.0E-5 1.0E-6 1.0E-7 1.0E-8 1.0E-9 1.0E-10 |
|
min_terms |
número | |
use_max_terms |
distintivo | |
max_terms |
número | |
entry_criterion |
Score LR |
|
removal_criterion |
LR Wald |
|
probability_entry |
número | |
probability_removal |
número | |
binomial_probability_entry |
número | |
binomial_probability_removal |
número | |
requirements |
HierarchyDiscrete HierarchyAll Containment None |
|
max_iterations |
número | |
max_steps |
número | |
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 |
número | |
iteration_history |
distintivo | |
history_steps |
número | |
summary |
distintivo | |
likelihood_ratio |
distintivo | |
asymptotic_correlation |
distintivo | |
goodness_fit |
distintivo | |
parameters |
distintivo | |
confidence_interval |
número | |
asymptotic_covariance |
distintivo | |
classification_table |
distintivo | |
stepwise_summary |
distintivo | |
info_criteria |
distintivo | |
monotonicity_measures |
distintivo | |
binomial_output_display |
at_each_step at_last_step |
|
binomial_goodness_of_fit |
distintivo | |
binomial_parameters |
distintivo | |
binomial_iteration_history |
distintivo | |
binomial_classification_plots |
distintivo | |
binomial_ci_enable |
distintivo | |
binomial_ci |
número | |
binomial_residual |
outliers all |
|
binomial_residual_enable |
distintivo | |
binomial_outlier_threshold |
número | |
binomial_classification_cutoff |
número | |
binomial_removal_criterion |
LR Wald Conditional |
|
calculate_variable_importance |
distintivo | |
calculate_raw_propensities |
distintivo |