Docs
...
treeas properties

propiedades de treeas

Última actualización: 11 feb 2025
propiedades de treeas

Icono de nodo Tree-ASEl nodo Tree-AS es similar al nodo CHAID; sin embargo, el nodo Tree-AS está diseñado para procesar big data para crear un único árbol y muestra el modelo resultante en el visor de resultados. El nodo genera un árbol de decisiones utilizando estadísticas de chi-cuadrado (CHAID) para identificar divisiones opcionales. Este uso de CHAID puede generar árboles no binarios, lo que significa que algunas divisiones generarán más de dos ramas. Los campos de entrada y objetivo pueden ser continuos (rango numérico) o categóricos. CHAID exhaustivo es una modificación de CHAID que examina con mayor precisión todas las divisiones posibles, aunque necesita más tiempo para realizar los cálculos.

Tabla 1. propiedades de treeas
Propiedades de treeas Valores Descripción de la propiedad
target campo En el nodo Tree-AS, los modelos CHAID 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.
method chaid exhaustive_chaid  
max_depth entero Profundidad máxima del árbol, de 0 a 20. El valor predeterminado es 5.
num_bins entero Sólo se utiliza si los datos están formados por entradas continuas. Establezca el número de intervalos de frecuencia que deben utilizarse para las entradas; las opciones son 2, 4, 5, 10, 20, 25, 50 o 100.
record_threshold entero El número de registros en los que el modelo pasa de usar valores p a tamaños del efecto mientras se construye el árbol. El valor predeterminado es de 1.000.000; se incrementa o decrementa de 10.000 en 10.000.
split_alpha número Nivel de significancia para división. El valor debe estar entre 0,01 y 0,99.
merge_alpha número Nivel de significancia para fusión. El valor debe estar entre 0,01 y 0,99.
bonferroni_adjustment distintivo Los valores de significancia de ajuste utilizando el método de Bonferroni.
effect_size_threshold_cont número Establece el umbral del tamaño del efecto cuando se dividen los nodos y fusionan las categorías al usar un objetivo continuo. El valor debe estar entre 0,01 y 0,99.
effect_size_threshold_cat número Establezca el umbral de tamaño de efecto al dividir nodos y fusionar categorías al utilizar un objetivo categórico. El valor debe estar entre 0,01 y 0,99.
split_merged_categories distintivo Permitir segunda división de categorías fusionadas.
grouping_sig_level número Se usa para determinar cómo se forman los grupos de nodos o cómo se identifican los nodos inusuales.
chi_square pearson likelihood_ratio Método usado para calcular la estadística de chi cuadrado: Pearson o Razón de verosimilitud
minimum_record_use use_percentage use_absolute  
min_parent_records_pc número El valor predeterminado es 2. Mínimo 1, máximo 100, e incrementos de 1. El valor de la rama padre debe ser mayor que la rama hijo.
min_child_records_pc número El valor predeterminado es 1. Mínimo 1, máximo 100, e incrementos de 1.
min_parent_records_abs número El valor por omisión es 100. Mínimo 1, máximo 100, e incrementos de 1. El valor de la rama padre debe ser mayor que la rama hijo.
min_child_records_abs número El valor predeterminado es 50. Mínimo 1, máximo 100, e incrementos de 1.
epsilon número Cambio mínimo en frecuencias de casillas esperadas.
max_iterations número Número máximo de iteraciones para la convergencia.
use_costs distintivo  
costs estructurado Propiedad estructurada. El formato es una lista de 3 valores: el valor real, el valor predicho y el coste si dicha predicción es errónea. Por ejemplo: tree.setPropertyValue("costs", [["drugA", "drugB", 3.0], ["drugX", "drugY", 4.0]])
default_cost_increase none linear square custom Sólo se habilita para objetivos ordinales. Establezca valores predeterminados en la matriz de costes.
calculate_conf distintivo  
display_rule_id distintivo Añade un campo en el resultado de puntuación que indica el ID para el nodo terminal al que se asigna cada registro.