Retourner à la version anglaise de la documentationpropriétés de logregnode
propriétés de logregnode
Dernière mise à jour : 04 oct. 2024
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)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 |