Herramienta Regresión logística

Nombre del modelo: ingresa un nombre para el modelo a fin de identificarlo cuando se haga referencia a este en otras herramientas. Los nombres del modelo deben comenzar con una letra y pueden contener letras, números y los caracteres especiales de punto (“.”) y guión bajo (“_”). No se permite el uso de otros caracteres especiales. Además, R distingue entre mayúsculas y minúsculas.

Selecciona la variable objetivo: selecciona los datos que se van a predecir. Una variable objetivo también se conoce como respuesta o variable dependiente.

Selecciona las variables predictoras: selecciona los datos que quieres utilizar para influir en el valor de la variable objetivo. Una variable predictora también se conoce como característica o variable independiente. Se puede seleccionar cualquier cantidad de variables predictoras, pero la variable objetivo no debe ser una variable predictora. Las columnas que contienen identificadores únicos, como claves primarias sustitutas y claves primarias naturales, no deben utilizarse en análisis estadísticos. No tienen ningún valor predictivo y pueden causar excepciones en tiempo de ejecución.

Use sampling weights in model estimation: Select a variable to determine the amount of importance to place on each record when creating a model estimation. Si un campo se utiliza tanto como predictor y como variable de ponderación, la variable de ponderación aparecerá en la salida bajo llamada del modelo, precedida de la cadena “Right_”.

Use regularized regression: Select to balance the same minimization of sum of squared errors with a penalty term on the size of the coefficients and produce a simpler model.

Select model type: Select the type of model to use for predicting the target variable.

Use cross-validation to determine estimates of model quality: Select to perform cross-validation and obtain various model quality metrics and graphs. Some metrics and graphs will be displayed in the static R output, and others will be displayed in the interactive I output.

Number of folds (número de pliegues): ingresa el número de subconjuntos en los que se van a dividir los datos. Ten en cuenta que una mayor cantidad de plegamientos genera estimaciones más robustas de la calidad del modelo, pero menos plegamientos permiten que la herramienta funcione más rápido.

Number of trials: Select the number of times to repeat the cross-validation procedure. The folds are selected differently in each trial, and the overall results are averaged across all the trials. Ten en cuenta que una mayor cantidad de plegamientos genera estimaciones más robustas de la calidad del modelo, pero menos plegamientos permiten que la herramienta funcione más rápido.

Enter positive class for target variable: Some of the measures reported by the tool in binary classification cases (such as true positive rate) require a positive class to be designated. To perform binary classification, type one of the two positive classes of the target variable. If left blank, one of the classes is automatically determined as the positive class. Esta opción solo está disponible cuando hay múltiples entradas.

Use stratified cross-validation: Select so each fold has the same percentage of each class as is present in the entire dataset. Esta opción solo está disponible cuando hay múltiples entradas.

Set seed: Select to ensure the reproducibility of cross-validation and select the value of the seed used to assign records to folds. Choosing the same seed each time the workflow is run guarantees that the same records will be in the same fold each time. La marca de hora debe ser un entero positivo.

La resolución más baja crea un archivo más pequeño y es mejor para ver en un monitor.

Una resolución más alta crea un archivo más grande con una mejor calidad para imprimir.

Ancla O: muestra el nombre del modelo y el tamaño del objeto en la ventana de Resultados.

Ancla R: muestra un informe resumido del modelo, el cual incluye un resumen y los gráficos.

I (Interactive): Displays an interactive dashboard of supporting visuals that allows you to zoom, hover, and click.

Nombre del modelo: cada modelo debe tener un nombre para su posterior identificación. La opción es ingresar un nombre o generar uno automáticamente. Los nombres del modelo deben comenzar con una letra y pueden contener letras, números y los caracteres especiales de punto (“.”) y guion bajo (“_”). No se permite el uso de otros caracteres especiales. Además, R distingue entre mayúsculas y minúsculas.

Selecciona la variable objetivo: selecciona el campo del flujo de datos que deseas predecir.

Selecciona los campos predictores: selecciona los campos del flujo de datos que crees que “causan” los cambios en el valor de la variable objetivo. Las columnas que contienen identificadores únicos, como claves primarias sustitutas y claves primarias naturales, no deben utilizarse en análisis estadísticos. No tienen ningún valor predictivo y pueden causar excepciones en tiempo de ejecución.

Omit a model constant: Check this item if you want to omit a constant from the model. This should be done if there is an explicit reason for doing so.

Oracle specific options: This option allows for the configuration of additional options only relevant for the Oracle platform.

Utilizar ponderaciones de muestreo para la estimación del modelo: haz clic en la casilla y, luego, selecciona un campo de ponderación del flujo de datos para estimar un modelo que utilice ponderación de muestreo. Si un campo se utiliza tanto como predictor y como variable de ponderación, la variable de ponderación aparecerá en la salida bajo llamada del modelo, precedida de la cadena “Right_”.

Teradata specific configuration: Microsoft Machine Learning Server needs additional configuration information about the specific Teradata platform to be used – in particular, the paths on the Teradata server to R's binary executables, and the location where temporary files that are used by Microsoft Machine Learning Server can be written. This information will need to be provided by a local Teradata administrator.

O anchor: Output. Ancla O: muestra el nombre del modelo y el tamaño del objeto en la ventana de Resultados.

Ancla R: informe. Ancla R: muestra un informe resumido del modelo, el cual incluye un resumen y los gráficos.