Retourner à la version anglaise de la documentationpropriétés de questnode
propriétés de questnode
Dernière mise à jour : 07 oct. 2024
Le 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)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 |