Outil Régression
Utilisez l'outil Régression dans le cadre d'un pipeline de machine learning pour identifier une tendance. L'outil fournit plusieurs algorithmes que vous pouvez utiliser pour entraîner un modèle. L'outil vous permet également de régler un modèle en utilisant de nombreux paramètres.
Alteryx Intelligence Suite requis
Cet outil fait partie de Alteryx Intelligence Suite . Intelligence Suite nécessite une licence séparée et un programme d'installation complémentaire pour Designer. Après avoir installé Designer, installez Intelligence Suite et commencez votre essai gratuit .
Configuration de l'outil
Cette section contient des informations sur comment configurer l'outil Régression.
Sélectionner un algorithme
Sélectionnez l'algorithme que vous souhaitez utiliser. Vous pouvez choisir Régression linéaire , Arbre de décision , ou Forêt aléatoire .
Configurer les paramètres
Configurez les paramètres. Chaque algorithme a des paramètres spécifiques. Chaque algorithme a également des paramètres généraux et avancés. Les paramètres généraux font partie intégrante de la création d'un modèle précis, même pour les débutants. Les paramètres avancés peuvent améliorer la précision, mais nécessitent une compréhension approfondie de ce que chaque paramètre fait.
Référencez-vous à la table de chaque algorithme pour voir ce que les paramètres font :
Nom | Description | Options | Par défaut |
fit_intercept | Décidez si vous souhaitez que l’algorithme calcule l’interception de votre modèle de régression linéaire. Aussi connu sous le nom de « constante », l’interception est la valeur moyenne attendue de y où x égale 0. |
| Activé |
normalize | Décidez si vous souhaitez que l’algorithme normalise vos cibles. La normalisation ajuste vos cibles de manière à pouvoir les comparer à une échelle commune avec d’autres données, ce qui peut vous aider à identifier les associations dans vos données. |
| Activé |
Nom | Description | Options | Par défaut |
criterion | Utilisez le paramètre criterion pour sélectionner une méthode pour mesurer la façon dont l’algorithme Arbre de décision divise les données en différents nœuds. |
| mse |
max_depth | Le paramètre max_depth est le chemin le plus long d'une racine à une feuille d'un arbre. Les plus profonds arbres ont plus de fractionnements et capturent plus d'informations sur les données. |
| Illimité |
max_features | Le paramètre max_features définit le nombre maximal de caractéristiques que l'arbre de décision prend en compte lors de la recherche du meilleur premier fractionnement. |
| Automatique |
max_leaf_nodes | Le paramètre max_leaf_nodes est la limite supérieure du nombre total de nœuds de feuilles que votre algorithme peut générer. Il développe des nœuds jusqu’au nombre maximum de la manière best-first (le meilleur en premier). L’algorithme détermine quels nœuds sont les meilleurs en fonction de leur capacité de réduction des impuretés. Utilisez le paramètre criterion pour spécifier comment vous voulez mesurer la réduction de l’impureté. | Tout nombre entier (int) ou ( none ). | Aucun |
min_impurity_decrease | Le paramètre min_impurity_decrease définit le seuil minimal de réduction des impuretés requis pour que l’arbre de décision se divise en un nouveau nœud. Ainsi, un fractionnement se produit où il diminuerait l’impureté par une quantité égale ou supérieure à min_impurity_decrease . Utilisez le paramètre criterion pour spécifier comment vous voulez mesurer la réduction de l’impureté. | Tout nombre flottant | 0.0 |
min_sample_split | Le paramètre min_samples_split définit le seuil minimal d’échantillons requis pour que l’arbre de décision se divise en un nouveau nœud. L’algorithme peut considérer un seul échantillon ou tous les échantillons. | Tout nombre entier (int) ou fraction (float). | int : 2 |
min_weight_fraction_leaf | Le paramètre min_weight_fraction_leaf est le seuil minimum de poids nécessaire pour que l'arbre de décision se fractionne en un nouveau nœud. Ce seuil est égal à la fraction minimale du poids total pour tous les échantillons. L'algorithme Arbre de décision suppose des poids égaux par défaut. | Tout nombre flottant | 0.0 |
presort | Utilisez ce paramètre pour pré-trier les données, ce qui pourrait aider l’algorithme à trouver les meilleures fractionnements plus rapidement. |
| Désactivé |
Amorce aléatoire | Le paramètre random_state spécifie le nombre de départ pour générer une séquence pseudo-aléatoire. Si vous sélectionnez none , un générateur de nombre aléatoire choisit un numéro de départ. |
| int : 10 |
splitter | Le paramètre splitter est la stratégie utilisée pour fractionner un nœud. Il comprend des options pour le meilleur premier fractionnement et le meilleur fractionnement aléatoire. L’algorithme détermine quels nœuds sont les meilleurs en fonction de leur capacité de réduction des impuretés. |
| best |
Nom | Description | Options | Par défaut |
bootstrap | Le bootstrapping, la base de l’ensachage, est une méthode utilisée pour échantillonner le jeu de données à des fins d'entraînement. Cette méthode consiste à créer des sous-échantillons itératifs de votre jeu de données pour simuler de nouvelles données invisibles, que vous pouvez utiliser pour améliorer la généralisabilité de votre modèle. |
| Activé |
criterion | Utilisez le paramètre criterion pour sélectionner une méthode pour mesurer la façon dont l’algorithme de forêt aléatoire fractionne vos données en différents nœuds, qui comprennent les nombreux arbres dans votre forêt aléatoire. |
| mse |
max_depth | Le paramètre max_depth est le chemin le plus long d’une racine à une feuille pour chaque arbre de la forêt. Les plus profonds arbres ont plus de fractionnements et capturent plus d'informations sur les données. |
| Illimité |
max_features | Le paramètre max_features définit le nombre maximal de caractéristiques que chaque arbre de décision dans la forêt prend en compte lors de la recherche du meilleur premier fractionnement. |
| Automatique |
min_impurity_decrease | Le paramètre min_impurity_decrease définit le seuil minimal de réduction des impuretés requis pour que l’arbre de décision se divise en un nouveau nœud. Ainsi, un fractionnement se produit où il diminuerait l’impureté par une quantité égale ou supérieure à min_impurity_decrease . Utilisez le paramètre criterion pour spécifier comment vous voulez mesurer la réduction de l’impureté. | Tout nombre flottant | 0.0 |
min_sample_split | Le paramètre min_samples_split définit le seuil minimal d’échantillons requis pour que l’arbre de décision (dans une forêt aléatoire) se divise en un nouveau nœud. L’algorithme peut considérer un seul échantillon ou tous les échantillons. | Tout nombre entier (int) ou fraction (float). | int : 2 |
min_weight_fraction_leaf | Le paramètre min_weight_fraction_leaf est le seuil minimal de poids requis pour que l’arbre de décision se divise en un nouveau nœud. Ce seuil est égal à la fraction minimale du poids total pour tous les échantillons. L’algorithme de forêt aléatoire suppose des poids égaux par défaut. | Tout nombre flottant | 0.0 |
n_estimators | Le paramètre n_estimators est le nombre d’arbres que vous souhaitez créer dans la forêt. | Tout nombre entier. | 100 |
Amorce aléatoire | Le paramètre random_state spécifie le nombre de départ pour générer une séquence pseudo-aléatoire. Si vous sélectionnez none , un générateur de nombre aléatoire choisit un numéro de départ. |
| int : 10 |