Propiedades de linearnode | IBM Cloud Pak for Data as a Service

Volver a la versión inglesa de la documentación

Propiedades de linearnode

Última actualización: 07 oct 2024

Propiedades de linearnode

Icono de nodo lineal Los modelos de regresión lineal predicen un objetivo continuo tomando como base las relaciones lineales entre el destino y uno o más predictores.

Ejemplo

node = stream.create("linear", "My node")
# Build Options tab - Objectives panel
node.setPropertyValue("objective", "Standard")
# Build Options tab - Model Selection panel
node.setPropertyValue("model_selection", "BestSubsets")
node.setPropertyValue("criteria_best_subsets", "ASE")
# Build Options tab - Ensembles panel
node.setPropertyValue("combining_rule_categorical", "HighestMeanProbability")

Tabla 1. propiedades de linearnode
Propiedades de `linearnode`	Valores	Descripción de la propiedad
`target`	campo	Especifica un campo de objetivo único.
`inputs`	[field1 ... fieldN]	Campos de predictor utilizados por el modelo.
`continue_training_existing_model`	distintivo
`objective`	`Standard` `Bagging` `Boosting` `psm`	`psm` se utiliza para conjuntos de datos muy grandes y requiere una conexión de servidor.
`use_auto_data_preparation`	distintivo
`confidence_level`	número
`model_selection`	`ForwardStepwise` `BestSubsets` `None`
`criteria_forward_stepwise`	`AICC` `Fstatistics` `AdjustedRSquare` `ASE`
`probability_entry`	número
`probability_removal`	número
`use_max_effects`	distintivo
`max_effects`	número
`use_max_steps`	distintivo
`max_steps`	número
`criteria_best_subsets`	`AICC` `AdjustedRSquare` `ASE`
`combining_rule_continuous`	`Mean` `Median`
`component_models_n`	número
`use_random_seed`	distintivo
`random_seed`	número
`use_custom_model_name`	distintivo
`custom_model_name`	serie
`use_custom_name`	distintivo
`custom_name`	serie
`tooltip`	serie
`keywords`	serie
`annotation`	serie
`perform_model_effect_tests`	Boolean	Realice pruebas de efecto de modelo para cada efecto de regresión.
`confidence_level`	double	Este es el nivel de intervalo que se utiliza para calcular las estimaciones de intervalos de los coeficientes de modelos. Especifique un valor mayor que 0 y menor que 100. El valor predeterminado es 95.
`probability_entry`	double	Si se elige Estadísticas F como criterio, en cada paso se añade al modelo el efecto que tiene el valor p menor que el umbral especificado (incluir efectos con valores p menores que). El valor predeterminado es 0,05.
`probability_removal`	double	Se eliminan los efectos en el modelo con un valor de p mayor que el umbral especificado (eliminar efectos con valores p mayores que). El valor predeterminado es 0.10.