Strumento Regressione
Usa lo strumento Regressione come parte di una pipeline di Machine Learning per identificare una tendenza. Lo strumento fornisce diversi algoritmi che è possibile usare per eseguire il training di un modello. Lo strumento consente inoltre di ottimizzare un modello utilizzando molti parametri.
Alteryx Intelligence Suite necessario
Questo strumento fa parte di Alteryx Intelligence Suite . Intelligence Suite richiede una licenza separata e un ulteriore programma di installazione per Designer. Dopo aver installato Designer, installa Intelligence Suite e avvia la versione di prova gratuita .
Configurazione dello strumento
Questa sezione contiene informazioni su come configurare lo strumento Regressione.
Selezione dell'algoritmo
Seleziona l'algoritmo che desideri utilizzare. È possibile scegliere Regressione lineare , Albero decisionale o Foresta casuale .
Configurazione dei parametri
Configura i parametri. Ogni algoritmo ha parametri specifici. Ogni algoritmo ha anche parametri generali e avanzati. I parametri generali sono parte integrante della creazione di un modello accurato, anche per i principianti. I parametri avanzati potrebbero migliorare la precisione, ma richiedono una comprensione approfondita delle operazioni eseguite.
Fai riferimento alla tabella per ogni algoritmo per vedere cosa fanno i parametri:
Nome | Descrizione | Opzioni | Predefinito |
fit_intercept | Decidi se desideri che l'algoritmo calcoli l'intercetta per il modello di regressione lineare. Noto anche come "costante", l'intercetta è il valore medio previsto di y dove x è uguale a 0. |
| On |
Normalize | Decidi se desideri che l'algoritmo normalizzi i target. La normalizzazione regola gli obiettivi in modo da poterli confrontare su scala comune con altri dati, il che può aiutare a identificare le associazioni nei dati. |
| On |
Nome | Descrizione | Opzioni | Predefinito |
Criterion | Utilizza il parametro criterion per selezionare un metodo per misurare il modo in cui l'algoritmo dell'albero delle decisioni suddivide i dati in nodi diversi. |
| mse |
max_depth | max_depth è il percorso più lungo da una radice a una foglia di un albero. Gli alberi più profondi hanno più divisioni e acquisiscono maggiori informazioni sui dati. |
| none |
max_features | max_features imposta il numero massimo di funzionalità considerate dall'albero delle decisioni quando si cerca una prima divisione migliore. |
| auto |
max_leaf_nodes | max_leaf_nodes è il limite verso l'alto sul numero totale di nodi foglia che l'algoritmo può generare. Aumenta i nodi fino al numero massimo in modo ottimale. L'algoritmo determina quali nodi sono i migliori in base alla loro capacità per la riduzione dell'impurità. Utilizza il parametro Criterion per specificare come si desidera misurare la riduzione dell'impurità. | Qualsiasi numero intero o none . | none |
min_impurity_decrease | min_impurity_decrease imposta la soglia minima di riduzione dell'impurità necessaria per la suddivisione dell'albero delle decisioni in un nuovo nodo. Quindi una divisione si verifica dove diminuirebbe l'impurità di una quantità uguale o maggiore di min_impurity_decrease . Utilizza il parametro Criterion per specificare come si desidera misurare la riduzione dell'impurità. | Qualsiasi float. | 0.0 |
min_samples_split | min_samples_split imposta la soglia minima di campioni necessari affinché l'albero delle decisioni si divida in un nuovo nodo. L'algoritmo può considerare solo un campione o un numero di tutti i campioni. | Qualsiasi numero intero o frazione. | int : 2 |
min_weight_fraction_leaf | min_weight_fraction_leaf è la soglia minima di peso richiesta dall'albero decisionale per la suddivisione in un nuovo nodo. Tale soglia è pari alla frazione minima dei pesi totali per tutti i campioni. L'algoritmo dell'albero delle decisioni presuppone pesi uguali per impostazione predefinita. | Qualsiasi float. | 0.0 |
presort | Utilizza questo parametro per prendere i dati, che potrebbero aiutare l'algoritmo a trovare le divisioni migliori più velocemente. |
| Off |
seed | random_state specifica il numero iniziale per la generazione di una sequenza pseudocasuale. Se si seleziona none , un generatore di numeri casuali seleziona un numero iniziale. |
| Seed : 10 |
splitter | splitter è la strategia utilizzata per la divisione in corrispondenza di un nodo. Include opzioni per la migliore prima divisione e la migliore divisione casuale. L'algoritmo determina quali nodi sono i migliori in base alla loro capacità per la riduzione dell'impurità. |
| best |
Nome | Descrizione | Opzioni | Predefinito |
Bootstrap | Il bootstrap, la base del bagging, è un metodo utilizzato per campionare il set di dati a scopo di training. Questo metodo prevede la creazione iterativa di sottocampioni del set di dati per simulare dati nuovi e non visibili, che è possibile usare per migliorare la generalizzabilità del modello. |
| On |
Criterion | Utilizza il parametro Criterion per selezionare un metodo per misurare il livello di suddivisione dei dati in nodi diversi, che comprendono i numerosi alberi diversi nella foresta casuale. |
| mse |
max_depth | max_depth è il percorso più lungo da una radice a una foglia per ogni albero nella foresta. Alberi più profondi hanno più divisioni e acquisisce più informazioni sui dati. |
| none |
max_features | max_features imposta il numero massimo di funzionalità considerate da ogni albero delle decisioni nella foresta quando si cerca una prima divisione migliore. |
| auto |
min_impurity_decrease | min_impurity_decrease imposta la soglia minima di riduzione dell'impurità necessaria affinché un albero delle decisioni si divida in un nuovo nodo. Quindi una divisione si verifica dove diminuirebbe l'impurità di una quantità uguale o maggiore di min_impurity_decrease . Utilizza il parametro Criterion per specificare come si desidera misurare la riduzione dell'impurità. | Qualsiasi float. | 0.0 |
min_samples_split | min_samples_split imposta la soglia minima di campioni necessari affinché l'albero delle decisioni (in una foresta casuale) si divida in un nuovo nodo. L'algoritmo può considerare solo un campione o un numero di tutti i campioni. | Qualsiasi numero intero o frazione. | int : 2 |
min_weight_fraction_leaf | min_weight_fraction_leaf è la soglia minima di peso necessaria affinché un albero delle decisioni venga suddiviso in un nuovo nodo. Tale soglia è pari alla frazione minima dei pesi totali per tutti i campioni. L'algoritmo della foresta casuale assume pesi uguali per impostazione predefinita. | Qualsiasi float. | 0.0 |
n_estimators | n_estimators è il numero di alberi che si desidera creare come parte della foresta. | Qualsiasi numero intero. | 100 |
seed | random_state specifica il numero iniziale per la generazione di una sequenza pseudocasuale. Se si seleziona none , un generatore di numeri casuali seleziona un numero iniziale. |
| Seed : 10 |