Volver a la versión inglesa de la documentaciónpropiedades de questnode
propiedades de questnode
Última actualización: 07 oct 2024
El nodo Búsqueda proporciona un método de clasificación binaria para crear árboles de decisión, diseñados para reducir el tiempo de proceso necesario para los análisis de Árbol C&R de gran tamaño, a la vez que reduce la tendencia que se encuentra en los métodos de árbol de clasificación para favorecer las entradas que permiten más divisiones. Los campos de entrada pueden ser continuos (rango numérico), sin embargo el campo objetivo debe ser categórico. Todas las divisiones son binarias.
Ejemplo
node = stream.create("quest", "My node")
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["Age", "Na", "K", "Cholesterol", "BP"])
node.setPropertyValue("model_output_type", "InteractiveBuilder")
node.setPropertyValue("use_tree_directives", True)
node.setPropertyValue("max_surrogates", 5)
node.setPropertyValue("split_alpha", 0.03)
node.setPropertyValue("use_percentage", False)
node.setPropertyValue("min_parent_records_abs", 40)
node.setPropertyValue("min_child_records_abs", 30)
node.setPropertyValue("prune_tree", True)
node.setPropertyValue("use_std_err", True)
node.setPropertyValue("std_err_multiplier", 3)Propiedades de questnode |
Valores | Descripción de la propiedad |
|---|---|---|
target |
campo | Los modelos Quest requieren un único objetivo y uno o más campos de entrada. También se puede especificar un campo de frecuencia. Consulte Propiedades comunes del nodo de modelado para obtener más información. |
continue_training_existing_model |
distintivo | |
objective |
Standard Boosting Bagging psm |
psm se utiliza para conjuntos de datos muy grandes y requiere una conexión de servidor. |
model_output_type |
Single InteractiveBuilder |
|
use_tree_directives |
distintivo | |
tree_directives |
serie | |
use_max_depth |
Default Custom |
|
max_depth |
entero | Profundidad máxima del árbol, de 0 a 1000. Se utiliza sólo si use_max_depth =
Custom. |
prune_tree |
distintivo | Poda del árbol para evitar sobreajustes. |
use_std_err |
distintivo | Use la diferencia máxima en riesgos (en errores estándar). |
std_err_multiplier |
número | Diferencia máxima. |
max_surrogates |
número | Número máximo de sustitutos. |
use_percentage |
distintivo | |
min_parent_records_pc |
número | |
min_child_records_pc |
número | |
min_parent_records_abs |
número | |
min_child_records_abs |
número | |
use_costs |
distintivo | |
costs |
estructurado | Propiedad estructurada. |
priors |
Data Equal Custom |
|
custom_priors |
estructurado | Propiedad estructurada. |
adjust_priors |
distintivo | |
trails |
número | Número de modelos de componente para un aumento o agregación autodocimante. |
set_ensemble_method |
Voting HighestProbability HighestMeanProbability |
Regla de combinación predeterminada para objetivos categóricos. |
range_ensemble_method |
Mean Median |
Regla de combinación predeterminada para objetivos continuos. |
large_boost |
distintivo | Aplicar aumento a conjunto de datos muy grandes. |
split_alpha |
número | Nivel de significancia para división. |
train_pct |
número | Conjunto de prevención sobreajustado. |
set_random_seed |
distintivo | Opción replicar resultados. |
seed |
número | |
calculate_variable_importance |
distintivo | |
calculate_raw_propensities |
distintivo | |
calculate_adjusted_propensities |
distintivo | |
adjusted_propensity_partition |
Test Validation |