propriétés de autonumericnode | IBM Cloud Pak for Data as a Service

Retourner à la version anglaise de la documentation

propriétés de autonumericnode

Dernière mise à jour : 07 oct. 2024

propriétés de autonumericnode

Icône Noeud Numérisation automatique Le noeud Numérisation automatique évalue et compare des modèles pour des résultats d'intervalle numérique continus par le biais de différentes méthodes. Le noeud fonctionne de la même manière que le noeud Classificateur automatique, vous permettant ainsi de choisir les algorithmes à utiliser et à tester avec différentes combinaisons d'options en un seul passage de modélisation. Les algorithmes pris en charge comprennent les réseaux de neurones, l'algorithme d'arbre C&RT, CHAID, la régression linéaire, la régression linéaire généralisée et Support Vector Machines (SVM). Les modèles peuvent être comparés selon la corrélation, l'erreur relative ou le nombre de variables utilisées.

Exemple

node = stream.create("autonumeric", "My node")
node.setPropertyValue("ranking_measure", "Correlation")
node.setPropertyValue("ranking_dataset", "Training")
node.setPropertyValue("enable_correlation_limit", True)
node.setPropertyValue("correlation_limit", 0.8)
node.setPropertyValue("calculate_variable_importance", True)
node.setPropertyValue("neuralnetwork", True)
node.setPropertyValue("chaid", False)

Tableau 1. propriétés de autonumericnode
Propriétés `autonumericnode`	Valeurs	Description de la propriété
`custom_fields`	option	Si cette valeur est définie sur True (vrai), les paramètres de champ personnalisés seront utilisés à la place des paramètres du noeud type.
`target`	Zone	Le noeud Numérisation automatique requiert un seul champ cible et un ou plusieurs champs d'entrée. Il est également possible de spécifier des champs de pondération et de fréquence. Pour plus d'informations, voir Propriétés communes des noeuds de modélisation .
`inputs`	[field1 … field2]
`partition`	Zone
`use_frequency`	option
`frequency_field`	Zone
`use_weight`	option
`weight_field`	Zone
`use_partitioned_data`	option	Si un champ de partition est défini, seules les données d'apprentissage sont utilisées pour la génération de modèles.
`ranking_measure`	`Correlation` `NumberOfFields`
`ranking_dataset`	`Test` `Training`
`number_of_models`	Integer	Nombre de modèles à inclure dans le nugget de modèle. Indiquez un entier compris entre 1 et 100.
`calculate_variable_importance`	option
`enable_correlation_limit`	option
`correlation_limit`	Integer
`enable_number_of_fields_limit`	option
`number_of_fields_limit`	Integer
`enable_relative_error_limit`	option
`relative_error_limit`	Integer
`enable_model_build_time_limit`	option
`model_build_time_limit`	Integer
`enable_stop_after_time_limit`	option
`stop_after_time_limit`	Integer
`stop_if_valid_model`	option
`<algorithm>`	option	Active ou désactive l'utilisation d'un algorithme particulier.
`<algorithm>.<property>`	chaîne	Définit une valeur de propriété pour un algorithme spécifique. Pour plus d'informations, voir Définition des propriétés d'algorithme .
`use_cross_validation`	Booléen	Au lieu d'utiliser une partition unique, une partition de validation croisée est utilisée.
`number_of_folds`	Integer	Paramètre Nombre de niveaux pour la validation croisée, avec une plage de 3 à 10.
`set_random_seed`	Booléen	Définir une valeur de départ aléatoire vous permet de dupliquer des analyses. Spécifiez un entier ou cliquez sur Générer, ce qui crée un entier pseudo-aléatoire compris entre 1 et 2147483647, inclus. Par défaut, les analyses sont dupliquées avec une valeur de départ de 229176228.
`random_seed`	Integer	Valeur aléatoire de départ
`filter_individual_model_output`	Booléen	Supprime de la sortie tous les champs supplémentaires générés par les modèles individuels qui sont intégrés au noeud Ensemble. Sélectionnez cette option si vous n'êtes intéressé que par le score combiné de tous les modèles d'entrée. Assurez-vous que cette option est désélectionnée si, par exemple, vous voulez utiliser un noeud Analyse ou Evaluation pour comparer la précision du score combiné avec chacun des modèles d'entrée individuels.
`calculate_standard_error`	Booléen	Pour une cible continue (plage numérique), un calcul d'erreur standard s'exécute par défaut pour calculer la différence entre les valeurs mesurées ou estimées et les valeurs réelles, et pour indiquer la proximité de ces estimations.