Docs
...
questnode properties

propriétés de questnode

Dernière mise à jour : 11 févr. 2025
propriétés de questnode

Icône du noeud QuêteLe noeud Quest est une méthode de classification supervisée binaire permettant de créer des arbres de décisions, développée pour réduire le temps de traitement nécessaire aux analyses C&R Tree importantes, tout en limitant la tendance, observée parmi les méthodes d'arbre de classification, à favoriser les entrées autorisant un nombre supérieur de divisions. Les champs d'entrée peuvent être des intervalles numériques (continues) mais les champs cible doivent être catégoriels. Toutes les divisions sont binaires.

Exemple

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)
Tableau 1. Propriétés de questnode
Propriétés questnode Valeurs Description de la propriété
target Zone Les modèles QUEST requièrent un seul champ cible et un ou plusieurs champs d'entrée. Un champ de fréquence peut aussi être spécifié. Pour plus d'informations, voir Propriétés communes des noeuds de modélisation .
continue_training_existing_model option  
objective Standard Boosting Bagging psm psm est utilisé pour les jeux de données très volumineux et nécessite une connexion serveur.
model_output_type Single InteractiveBuilder  
use_tree_directives option  
tree_directives chaîne  
use_max_depth Default Custom  
max_depth Integer Profondeur maximale de l'arbre, de 0 à 1000. Utilisé uniquement si use_max_depth = Custom.
prune_tree option Elagage de l'arbre pour éviter le surajustement.
use_std_err option Utiliser la différence maximale pour le risque (dans Erreurs standard).
std_err_multiplier number Différence maximale.
max_surrogates number Nombre maximal de substitutions.
use_percentage option  
min_parent_records_pc number  
min_child_records_pc number  
min_parent_records_abs number  
min_child_records_abs number  
use_costs option  
costs structuré Propriétés structurées.
priors Data Equal Custom  
custom_priors structuré Propriétés structurées.
adjust_priors option  
trails number Nombre des modèles de composant pour le boosting ou le bagging.
set_ensemble_method Voting HighestProbability HighestMeanProbability Règles de combinaison par défaut pour les cibles catégorielles.
range_ensemble_method Mean Median Règles de combinaison par défaut pour les cibles continues.
large_boost option Appliquer le boosting aux jeux de données très volumineux.
split_alpha number Niveau de signification pour la division.
train_pct number Ensemble de prévention de surajustement.
set_random_seed option Dupliquer l'option des résultats.
seed number  
calculate_variable_importance option  
calculate_raw_propensities option  
calculate_adjusted_propensities option  
adjusted_propensity_partition Test Validation