Outil Régression linéaire
Outil Régression linéaire
Exemple d'outil unique
L'outil Régression de comptage comporte un exemple d'outil unique. Consultez la page Exemples de workflows pour savoir comment accéder à cet exemple et à de nombreux autres exemples directement dans Alteryx Designer.
L'outil Régression linéaire crée un modèle simple pour estimer les valeurs ou évaluer les relations entre les variables basées sur une relation linéaire.
Les 2 principaux types de régression linéaire sont non régularisés et régularisés:
La régression linéaire non régularisée produit des modèles linéaires qui réduisent la somme des erreurs quadratiques entre les valeurs réelles et les valeurs prédites de la variable cible des données de formation.
La régression linéaire régularisée équilibre la même réduction de la somme des erreurs quadratiques avec un terme de pénalité sur la taille des coefficients et tend à produire des modèles plus simples moins susceptibles de faire l’objet d’un surajustement.
Cet outil utilise l'outil R. Accédez à OptionsTélécharger les outils prédictifs et connectez-vous au portail Alteryx Downloads and Licenses Portal pour installer R et les paquets utilisés par l'outil R. Consultez Télécharger et utiliser les outils prédictifs.
R Packages utilisés par régression linéaire
Package R. | Type | Description du package |
|---|---|---|
AlteryxPredictive | Personnalisé | Ce package fournit des fonctions personnalisées et appelle les packages cran et R personnalisés. |
AlteryxRDataX | Personnalisé | Fournit une connectivité entre Alteryx et R, ainsi qu'un certain nombre de fonctions pour faciliter l'interaction entre Alteryx et R. |
AlteryxRviz | Personnalisé | Ce package est obsolète. Il fournit des fonctions qui conduisent des visualisations interactives pour les outils prédictifs dans Alteryx (séries chronologiques, analyse réseau). |
FlightDesk | Personnalisé | FlightDesk est un package R conçu pour faciliter la création de tableaux de bord interactifs pour la production de rapports de modèles prédictifs. |
Configurer l'outil pour le traitement standard
Connexion d'une entrée
Connectez un flux de données Alteryx ou un flux de métadonnées XDF qui inclut un champ cible d'intérêt avec un ou plusieurs champs prédicteurs possibles.
Note
XDF est au format MRC/MMLS.
Si les données d’entrée proviennent d’un flux de données Alteryx, la fonction lm R open source et les fonctions glmnet et cv.glmnet (dans le package glmnet) sont utilisées pour l’estimation du modèle.
Si les données d’entrée proviennent d’un Outil Sortie XDF ou d’un Outil Entrée XDF, alors la fonction RevoScaleR rxLinMod permet d’estimer le modèle. L’avantage de la fonction RevoScaleR est qu’elle permet d’analyser des jeux de données beaucoup plus volumineux (mémoire insuffisante), au détriment d’une augmentation de la charge pour créer un fichier XDF et avec l’impossibilité de créer une partie de la sortie de diagnostic de modèle avec les fonctions R open source.
Configuration de l'outil
Nom du modèle : entrez le nom du modèle, afin d'identifier ce dernier lorsque d'autres outils y font référence. Les noms de modèles doivent commencer par une lettre et peuvent contenir des lettres, des chiffres, ainsi que les caractères spéciaux suivants : point ( . ) et trait de soulignement ( _ ). Aucun autre caractère spécial n'est autorisé et R est sensible à la casse.
Sélectionner la variable cible : sélectionnez les données à prédire. Une variable cible est également appelée « réponse » ou « variable dépendante ».
Sélectionner les variables prédictives : sélectionnez les données à utiliser pour influencer la valeur de la variable cible. Une variable prédictive est également appelée « caractéristique » ou « variable indépendante ». Vous pouvez sélectionner n'importe quel nombre de variables prédictives, mais la variable cible ne doit pas être également une variable prédictive. Les colonnes contenant des identifiants uniques, tels que les clés primaires de substitution et les clés primaires naturelles, ne doivent pas être utilisées dans les analyses statistiques. Elles ne comportent pas de valeur prédictive et peuvent entraîner des exceptions lors de l'exécution.
Cliquez sur Personnaliser pour modifier les paramètres Modèle, Validation croisée et Tracés.
Personnaliser le modèle
Sélectionnez cette option pour omettre une constante et faire en sorte que la ligne de meilleur ajustement passe par l’origine.
Sélectionnez une variable pour déterminer l’importance à accorder à chaque enregistrement lors de la création d’un modèle de moindres carrés.
Sélectionnez cette option pour équilibrer la même réduction de la somme des erreurs quadratiques avec un terme de pénalité sur la taille des coefficients et produire un modèle plus simple.
Sélectionnez une valeur comprise entre 0 (régression ridge) et 1 (lasso) pour mesurer l’importance accordée au coefficient.
Sélectionnez cette option pour attribuer la même taille à toutes les variables en fonction de l’algorithme utilisé.
Utiliser la validation croisée pour déterminer les paramètres du modèle: sélectionnez cette option pour effectuer la validation croisée et obtenir divers paramètres du modèle
Sélectionnez le nombre de plis pour diviser les données. Plus le nombre de plis est élevé, plus les estimations de la qualité du modèle sont fiables ; toutefois, plus le nombre de plis est bas, plus l’outil s’exécute rapidement.
Sélectionnez le type de modèle pour déterminer les coefficients.
Modèle simple
Modèle présentant moins d’erreurs standard dans l’échantillon
Sélectionnez cette option pour garantir la reproductibilité de la validation croisée et sélectionnez la valeur de l’amorce utilisée pour affecter des enregistrements aux plis. La sélection de la même amorce à chaque fois que le workflow est exécuté garantit la présence systématique des mêmes enregistrements dans le même pli. La valeur doit être un entier positif.
Personnaliser la validation croisée
Utiliser la validation croisée pour déterminer les estimations de la qualité du modèle: sélectionnez cette option pour effectuer la validation croisée et obtenir diverses métriques et graphiques de qualité du modèle. Certains graphiques et métriques apparaîtront dans la sortie R statique, tandis que d’autres s’afficheront dans la sortie I interactive.
Sélectionnez le nombre de plis pour diviser les données. Plus le nombre de plis est élevé, plus les estimations de la qualité du modèle sont fiables ; toutefois, plus le nombre de plis est bas, plus l’outil s’exécute rapidement.
Sélectionnez le nombre de répétitions de la procédure de validation croisée. Les plis sont sélectionnés différemment lors de chaque tentative et la moyenne des résultats de toutes les tentatives est calculée. Plus le nombre de plis est élevé, plus les estimations de la qualité du modèle sont fiables ; toutefois, plus le nombre de plis est bas, plus l’outil s’exécute rapidement.
Sélectionnez cette option pour garantir la reproductibilité de la validation croisée et sélectionnez la valeur de l’amorce utilisée pour affecter des enregistrements aux plis. La sélection de la même amorce à chaque fois que le workflow est exécuté garantit la présence systématique des mêmes enregistrements dans le même pli. La valeur doit être un entier positif.
Personnaliser les tracés
Résolution du graphique : sélectionnez la résolution du graphique en points par pouce : 1x (96 dpi) ; 2x (192 dpi) ou 3x (288 dpi).
Une résolution basse produit un fichier de plus petite taille et facilite la visualisation sur un moniteur.
Une résolution élevée produit un fichier de plus grande taille avec une qualité d'impression supérieure.
Sélectionnez cette option pour afficher des graphiques lors de l’utilisation de la régression régularisée.
Visualisation de la sortie
Connectez un outil Explorateur à chaque ancrage de sortie pour afficher les résultats.
L'ancrage O : affiche le nom du modèle et la taille de l'objet dans la fenêtre Résultats.
L'ancrage R : affiche un rapport récapitulatif du modèle incluant un récapitulatif et des tracés.
I (interactif) : affiche un tableau de bord de visualisations interactives pour faciliter la découverte de données et l'exploration de modèles.
Configurer l'outil pour le traitement en BDD
L’outil Régression linéaire prend en charge le traitement en BDD Oracle, Microsoft SQL Server 2016 et Teradata. Visitez Vue d'ensemble des outils en base de données pour plus d'informations sur les outils et la prise en charge en base de données.
Si un outil Régression linéaire est placé sur le canevas avec un autre outil en BDD, l’outil bascule automatiquement vers la version en BDD. Pour changer la version de l'outil, cliquez avec le bouton droit sur l'outil, pointez le curseur sur « Sélectionner la version de l'outil », puis cliquez sur une autre version de l'outil. Consultez la page Analyses prédictives pour en savoir plus sur la prise en charge en base de données prédictive.
Connexion d'une entrée
Connectez un flux de données en BDD qui inclut un champ cible d'intérêt avec un ou plusieurs champs prédicteurs possibles.
Si l'entrée provient d'un flux de données en BDD SQL Server ou Teradata, la fonction rxDForest de Microsoft Machine Learning Server (dans le package RevoScaleR) est utilisée pour l'estimation du modèle. Il est ainsi possible d'effectuer le traitement sur le serveur de base de données, à condition que la machine locale et le serveur soient configurés avec Microsoft Machine Learning Server, ce qui peut augmenter considérablement les performances.
Si l’entrée provient d’un flux de données en BDD Oracle, la fonction ore.lm d’Oracle R Enterprise (dans le package OREmodels) est alors utilisée pour l’estimation du modèle. Il est ainsi possible d’effectuer le traitement sur le serveur de base de données, à condition que la machine locale et que le serveur soient configurés avec Oracle R Enterprise, ce qui augmente considérablement les performances.
Dans le cas d’un workflow en BDD situé dans une base de données Oracle, les fonctionnalités intégrales de l’objet modèle généré en aval ne sont disponibles que si l’outil Régression linéaire est directement connecté depuis un outil Connecter en BDD avec une seule table complète sélectionnée, ou si un outil Écrire des données en BDD est utilisé directement avant l’outil Régression linéaire pour enregistrer la table de données d’estimation dans la base de données. Oracle R Enterprise utilise la table de données d’estimation pour fournir toutes les fonctionnalités d’objet modèle, comme le calcul des intervalles de prédiction.
Configuration
Nom de modèle : vous devez attribuer un nom à chaque modèle afin de pouvoir les identifier ultérieurement. Vous devez fournir un nom ou générer un nom automatiquement. Les noms de modèles doivent commencer par une lettre et peuvent contenir des lettres, des chiffres, ainsi que les caractères spéciaux suivants : point ( . ) et trait de soulignement ( _ ). Aucun autre caractère spécial n'est autorisé et R est sensible à la casse.
Sélectionnez la variable cible : sélectionnez le champ du flux de données à prédire.
Sélectionner les variables prédictives : sélectionnez les champs du flux de données dont vous pensez qu'ils « provoquent » des changements de valeur de la variable cible. Les colonnes contenant des identifiants uniques, tels que les clés primaires de substitution et les clés primaires naturelles, ne doivent pas être utilisées dans les analyses statistiques. Elles ne comportent pas de valeur prédictive et peuvent entraîner des exceptions lors de l'exécution.
Activez cette option si vous souhaitez exclure une constante du modèle. À n’utiliser que si vous avez un motif explicite pour le faire.
Utiliser des pondérations d'échantillonnage pour l'estimation du modèle : cochez la case et sélectionnez un champ de pondération dans le flux de données pour estimer un modèle utilisant la pondération de l'échantillonnage. Un champ est utilisé comme prédicteur et comme variable de pondération, puis la variable de pondération apparaîtra dans l'appel de modèle dans la sortie, précédée par la chaîne « Right_ ».
Cette option permet de configurer des options supplémentaires qui ne s’appliquent qu’à la plate-forme Oracle.
Cette option entraîne l’enregistrement de l’objet modèle estimé dans la base de données et est recommandée afin que les objets modèles et les tables d’estimation coexistent dans un emplacement centralisé de la base de données Oracle.
Microsoft R Server nécessitent des informations de configuration supplémentaires concernant la plate-forme Teradata spécifique à utiliser ; en particulier, les chemins sur le serveur Teradata des exécutables binaires de R et l’emplacement où peuvent être écrits les fichiers temporaires utilisés par Microsoft R Server. Ces informations devront être communiquées par l’administrateur Teradata local.
Visualisation de la sortie
Connectez un outil Explorateur à chaque ancrage de sortie pour afficher les résultats.
L'ancrage O : affiche le nom du modèle et la taille de l'objet dans la fenêtre Résultats.
L'ancrage R : affiche un rapport récapitulatif du modèle incluant un récapitulatif et des tracés.