propriétés de logregnode

Dernière mise à jour : 12 févr. 2025

propriétés de logregnode

Icône Noeud Logistique La régression logistique est une technique statistique de classification des enregistrements sur la base des valeurs des champs d'entrée. Excepté le fait qu'elle utilise un champ cible catégoriel et non pas numérique, cette régression est similaire à la régression linéaire.

Exemple 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")

Exemple 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)

Tableau 1. propriétés de logregnode
Propriétés `logregnode`	Valeurs	Description de la propriété
`target`	Zone	Les modèles de régression logistique requièrent un seul champ cible et un ou plusieurs champs d'entrée. Les champs de fréquences et de pondération ne sont pas utilisés. Pour plus d'informations, voir Propriétés communes des noeuds de modélisation .
`logistic_procedure`	`Binomial` `Multinomial`
`include_constant`	option
`mode`	`Simple` `Expert`
`method`	`Enter` `Stepwise` `Forwards` `Backwards` `BackwardsStepwise`
`binomial_method`	`Enter` `Forwards` `Backwards`
`model_type`	`MainEffects` `FullFactorial` `Custom`	Lorsque `FullFactorial` est spécifié comme type de modèle, les méthodes de saut ne s'exécutent pas, même si elles sont spécifiées. A la place, `Enter` sera la méthode utilisée. Si le type de modèle est paramétré sur `Custom`, mais qu'aucun champ personnalisé n'est indiqué, un modèle Effets principaux est créé.
`custom_terms`	[[ BP Sexe ] [ BP ] [ Age ]]
`multinomial_base_category`	chaîne	Indique le mode de détermination de la catégorie de référence.
`binomial_categorical_input`	chaîne
`binomial_input_contrast`	`Indicator` `Simple` `Difference` `Helmert` `Repeated` `Polynomial` `Deviation`	Propriété saisie pour l'entrée catégorielle qui indique la façon dont le contraste est déterminé. Voir l'exemple d'utilisation.
`binomial_input_category`	`First` `Last`	Propriété saisie pour l'entrée catégorielle qui indique la façon dont la catégorie de référence est déterminée. Voir l'exemple d'utilisation.
`scale`	`None` `UserDefined` `Pearson` `Deviance`
`scale_value`	number
`all_probabilities`	option
`tolerance`	`1.0E-5` `1.0E-6` `1.0E-7` `1.0E-8` `1.0E-9` `1.0E-10`
`min_terms`	number
`use_max_terms`	option
`max_terms`	number
`entry_criterion`	`Score` `LR`
`removal_criterion`	`LR` `Wald`
`probability_entry`	number
`probability_removal`	number
`binomial_probability_entry`	number
`binomial_probability_removal`	number
`requirements`	`HierarchyDiscrete` `HierarchyAll` `Containment` `None`
`max_iterations`	number
`max_steps`	number
`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`	number
`iteration_history`	option
`history_steps`	number
`summary`	option
`likelihood_ratio`	option
`asymptotic_correlation`	option
`goodness_fit`	option
`parameters`	option
`confidence_interval`	number
`asymptotic_covariance`	option
`classification_table`	option
`stepwise_summary`	option
`info_criteria`	option
`monotonicity_measures`	option
`binomial_output_display`	`at_each_step` `at_last_step`
`binomial_goodness_of_fit`	option
`binomial_parameters`	option
`binomial_iteration_history`	option
`binomial_classification_plots`	option
`binomial_ci_enable`	option
`binomial_ci`	number
`binomial_residual`	`outliers` `all`
`binomial_residual_enable`	option
`binomial_outlier_threshold`	number
`binomial_classification_cutoff`	number
`binomial_removal_criterion`	`LR` `Wald` `Conditional`
`calculate_variable_importance`	option
`calculate_raw_propensities`	option

La rubrique a-t-elle été utile ?

0/1000