Właściwości węzła linearnode | IBM Cloud Pak for Data as a Service

Translation not up to date

The translation of this page does not represent the latest version. For the latest updates, see the English version of the documentation.

Go back to the English version of the documentation

Właściwości węzła linearnode

Last updated: 12 sty 2023

Właściwości węzła linearnode

Ikona węzła liniowego Modele regresji liniowej przewidują docelową wartość ilościową na podstawie liniowych relacji między docelową wartością ilościową a jednym lub większą liczbą predyktorów.

Przykład

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")

Tabela 1. właściwości węzła linearnode
Właściwości węzła `linearnode`	Wartości	Opis właściwości
`target`	field (pole)	Określa jedną zmienną przewidywaną.
`inputs`	[field1 ... poleN]	Predyktory używane przez model.
`continue_training_existing_model`	flaga
`objective`	`Standard` `Bagging` `Boosting` `psm`	Wartość `psm` jest używana w przypadku bardzo dużych zbiorów danych i wymaga połączenia z serwerem.
`use_auto_data_preparation`	flaga
`confidence_level`	Liczba
`model_selection`	`ForwardStepwise` `BestSubsets` `None`
`criteria_forward_stepwise`	`AICC` `Fstatistics` `AdjustedRSquare` `ASE`
`probability_entry`	Liczba
`probability_removal`	Liczba
`use_max_effects`	flaga
`max_effects`	Liczba
`use_max_steps`	flaga
`max_steps`	Liczba
`criteria_best_subsets`	`AICC` `AdjustedRSquare` `ASE`
`combining_rule_continuous`	`Mean` `Median`
`component_models_n`	Liczba
`use_random_seed`	flaga
`random_seed`	Liczba
`use_custom_model_name`	flaga
`custom_model_name`	łańcuch
`use_custom_name`	flaga
`custom_name`	łańcuch
`tooltip`	łańcuch
`keywords`	łańcuch
`annotation`	łańcuch
`perform_model_effect_tests`	boolean (boolowskie)	Wykonaj testy efektów modelu dla każdego efektu regresji.
`confidence_level`	double (podwójna)	Jest to przedział ufności używany do obliczania wartości szacunkowych współczynników modelu. Należy podać wartość większą od 0 i mniejszą od 100. Domyślną wartością jest 95.
`probability_entry`	double (podwójna)	Jeśli jako kryterium wybrano opcję F Statistics, to w każdym kroku do modelu dodawany jest efekt, który ma najmniejszą wartość p mniejszą niż określony próg (uwzględni efekty z wartościami p mniej niż). Domyślną wartością jest 0,05.
`probability_removal`	double (podwójna)	Wszelkie efekty w modelu o wartości p większej niż określony próg zostaną usunięte (usunąć efekty z wartościami p większe niż). Domyślną wartością jest 0,10.