Outil Arbre De Décision

Utilisez l’outil Arbre de décision pour créer un ensemble de règles de fractionnement if-then pour optimiser les critères de création de modèle basés sur les méthodes d’apprentissage de l’arborescence des décisions. La formation des règles est basée sur le type de champ cible:

• Si le champ cible est un membre d'un ensemble de catégories, une arborescence de classification est construite.
• Si le champ cible est une variable continue, une arborescence de régression est construite.

Utilisez l’outil Arborescence de décision lorsque le champ cible est prédit à l’aide d’un ou de plusieurs champs variables, comme un problème de classification ou de régression cible continue.

Cet outil utilise l’outil R. Accédez à Options > Téléchargez des outils prédictifs et connectez-vous au portail Téléchargements et licences Alteryx pour installer R et les packages utilisés par l’outil R. Voir Télécharger et utiliser des outils prédictifs.

L’outil Decision Tee nécessite une entrée avec...

• Un champ d’intérêt cible
• Un ou plusieurs champs predictor

Les packages utilisés dans l'estimation du modèle varient en fonction du flux de données d'entrée.

• Un flux de données Alteryx utilise la fonction R rpart open-source.
• Un flux de métadonnées XDF, provenant d’un outil d’entrée XDF ou d’un outil de sortie XDF,utilise la fonction RxDTree RevoScaleR.
• Les données d'un flux de données SQL Server in-Database utilisent la fonction rxBTrees.
• L'installation de Microsoft Machine Learning Server exploite la fonction RevoScaleR rxBTrees pour vos données dans vos bases de données SQL Server ou Teradata. Il faut pour cela que l'ordinateur local et le serveur soient configurés avec Microsoft Machine Learning Server, ce qui permet le traitement sur le serveur de base de données et entraîne une amélioration significative des performances.

Ces options sont nécessaires pour générer une décision.

• Nom du modèle: Nom du modèle qui peut être référencé par d’autres outils. Le préfixe ou le nom de champ doit commencer par une lettre et peut contenir des lettres, des chiffres, ainsi que les caractères spéciaux suivants : point (« . ») et trait de soulignement (« _ »). Le code R est sensible à la casse.
• Sélectionnez la variable cible: Champ de données à prévoir, également connu sous le nom de réponse ou variable dépendante.
• Sélectionnez variables de prédicteur: Champs de données utilisés pour influencer la valeur de la variable cible, également appelée fonctionnalité ou variable indépendante. Un champ Predictor est requis au minimum, mais il n'y a pas de limite supérieure sur le nombre de champs Predictor sélectionnés. La variable cible elle-même ne doit pas servir à calculer la valeur cible, par conséquent le champ cible ne doit pas être inclus avec les champs prédicteurs. 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.

Sélectionnez Personnaliser pour ajuster les paramètres supplémentaires.

Personnaliser le modèle

Onglet Modèle

Options qui modifient la façon dont le modèle évalue les données et est construit.

Choisissez algorithme: Sélectionnez la fonction rpart ou la fonction C5.0. Options ultérieures différentes selon l’algorithme que vous choisissez.

• rpart: Un algorithme basé sur le travail de Breiman, Friedman, Olshen et Stone; considéré comme la norme. Utilisez rpart si vous créez un modèle de régression ou si vous avez besoin d'une parcelle de taille.
  • Type de modèle et poids d’échantillonnage: Contrôles du type de modèle basé sur la variable cible et la manipulation des poids d’échantillonnage.
    • Type de modèle: Type de modèle utilisé pour prédire la variable cible.
      • Auto: Le type de modèle est automatiquement sélectionné en fonction du type de variable cible.
      • Classification: Le modèle prédit une valeur de texte discrète d’une catégorie ou d’un groupe.
      • Régression: Le modèle prédit des valeurs numériques continues.
    • Utilisez des poids d’échantillonnage dans l’estimationdu modèle : une option qui vous permet de sélectionner un champ qui juge l’importance accordée sur chaque enregistrement et les poids de l’enregistrement en conséquence lors de la création d’une estimation de modèle.
      Si un champ est utilisé à la fois comme prédicteur et comme poids d'échantillon, le champ variable de poids de sortie est ajouté avec "Right_".

  • Critères de fractionnement et substituts: Contrôles de la façon dont le modèle détermine une fraction et comment les substituts sont utilisés pour évaluer les modèles de données. Critères de fractionnement à utiliser : sélectionnez la façon dont le modèle évalue quand un arborescence doit être divisé.

    • Les critères de fractionnement lors de l'utilisation d'un modèle de régression sont toujours les moindres carrés.

      • Coefficient de Gini

      • L'impureté de Gini est utilisée.

      • Index d'informations

    • Utilisez des substituts pour: Sélectionnez la méthode d’utilisation des substituts dans le processus de fractionnement. Les substituts sont des variables liées à la variable primaire qui sont utilisées pour déterminer le résultat fractionné d'un enregistrement avec des informations manquantes.

      • Omettez les observations avec la valeur manquante pour la règle de fractionnement primaire: l’enregistrement manquant la variable candidate n’est pas pris en compte dans la détermination de la division.

      • Fractionner les enregistrements manquant la variable candidate: Tous les enregistrements manquants à la variable candidate sont répartis uniformément sur le fractionnement.

      • Envoyer l’observation dans la direction de la majorité si tous les substituts sont manquants: Tous les enregistrements manquants la variable candidate sont poussés sur le côté de la fraction qui contient plus d’enregistrements.

    • Sélectionnez le meilleur fractionnement de substitution à l’aidede : Sélectionnez les critères pour choisir la meilleure variable à fractionner à partir d’un ensemble de variables possibles.

      • Nombre de classifications correctes pour une variable candidate: Choisit la variable à fractionner en fonction du nombre total d’enregistrements correctement classés.

      • Pourcentage de classifications correctes pour une variable candidate Choisit la variable à fractionner en fonction du pourcentage d’enregistrements correctement classés.

  • HyperParamètres: Contrôles pour la distribution antérieure du modèle.Ajuster le traitement en fonction de la distribution antérieure.

    • Nombre minimum d’enregistrements nécessaires pour tenir compte d’un fractionnement: définissez le nombre d’enregistrements qui doivent exister avant qu’une scission ne se produise. Si le nombre d’enregistrements existants est inférieur au nombre minimum, aucun fractionnement supplémentaire ne sera alors autorisé.

    • Nombre minimum d’enregistrements autorisé dans un nœud terminal: définissez le nombre d’enregistrements pouvant se trouver dans un nœud terminal. Plus ce nombre est bas, plus le nombre potentiel de nœuds terminaux finaux à la fin de l’arbre est élevé.

    • Nombre de plis à utiliser dans la validation croisée pour tailler l’arbre: Définir le nombre de groupes (N) dont les données doivent être divisées lors de l’essai du modèle. Le nombre par défaut est 10, mais d’autres valeurs courantes sont 5 et 20. Un plus grand nombre de plis donne plus de précision à l'arbre, mais peut prendre plus de temps à traiter. Lorsque l’arbre est épuré à l’aide d’un paramètre de complexité, la validation croisée détermine le nombre de plis, ou de ramifications, présents dans l’arbre. Lors de la validation croisée, N - 1 des plis sont utilisés pour créer un modèle, et l’autre pli est utilisé comme échantillon pour déterminer le nombre de ramifications optimal pour le pli de retenue afin d’éviter un surajustement.

    • Profondeur maximale autorisée de n’importe quel nœud dans l’arborescence finale: définissez le nombre de niveaux de branches autorisés à partir du nœud racine vers le nœud le plus éloigné de la racine pour limiter la taille globale de l’arborescence.

    • Nombre maximal de bacs à utiliser pour chaque variable numérique: Entrez le nombre de bacs à utiliser pour chaque variable. Par défaut, la valeur est calculée en fonction du nombre minimal d'enregistrements nécessaires pour permettre un fractionnement.

      XDF Métadonnées Sream uniquement

      Cette option ne s’applique que si l’entrée dans l’outil est un flux de métadonnées XDF. La fonction Revo ScaleR (rxDTree) qui met en œuvre l’arbre de décision évolutif gère les variables numériques via un processus de stockage par intervalle égal afin de diminuer la complexité des calculs.

    • Définir le paramètre de complexité: valeur qui contrôle la taille de l’arborescence de décision. Une valeur plus petite génère plus de branches dans l'arborescence et une plus grande valeur entraîne moins de branches. Si aucun paramètre de complexité n'est sélectionné, le paramètre est déterminé en fonction de la validation croisée.
• C5.0: Algorithme basé sur le travail de Quinlan; utilisez C5.0 si vos données sont triées dans l’une des classes mutuellement exclusives. Les propriétés qui peuvent être pertinentes pour l'assignation de classe sont fournies, bien que certaines données puissent avoir des valeurs inconnues ou non applicables.
  • Options structurelles: Contrôles de la structure du modèle. Par défaut, le modèle est structuré en tant qu'arbre de décision.
    • Décomposer l’arborescence en modèle basé surdes règles : modifiez la structure de l’algorithme de sortie d’un arbre de décision en une collection de règles if-then simples et non ordonnées.Sélectionnez Nombre de seuils de bandes dans lesquelles regrouper les règles pour sélectionner un certain nombre de bandes pour regrouper les règles dans le lieu où le nombre est le seuil de bande.
  • Options détaillées: Contrôles pour les fractionnements et les fonctionnalités du modèle.
    • Le modèle doit évaluer des groupes de prédicteurs distincts pour les fractionnements: Regrouper les variables prédictoraux catégoriques. Sélectionnez cette option pour réduire le surajustement lorsqu'il existe des attributs discrets importants qui ont plus de quatre ou cinq valeurs.
    • Utilisez le winnowing predictor (c.-à-d. la sélection des fonctionnalités): sélectionnez pour simplifier le modèle en essayant d’exclure les prédicteurs non utiles.
    • Tailler l’arbre: Sélectionnez pour simplifier l’arbre afin de réduire le surajustement en enlevant les fentes d’arbres.
    • Évaluez les fractionnements avancés dans les données: sélectionnez pour effectuer des évaluations avec des variables secondaires pour confirmer quelle branche est la prédiction la plus précise.
    • Utilisez la méthode d’arrêt pour stimuler: Sélectionnez pour évaluer si l’augmentation des itérations devient inefficace et, si oui, arrêter de stimuler.
  • Hyperparamètres numériques: Contrôles de distribution préalable du modèle basés sur une valeur numérique.
    • Sélectionnez le nombre d’itérations de stimulation: sélectionnez un 1 pour utiliser un seul modèle.
    • Sélectionnez le facteur de confiance: Il s’agit de l’analogue du paramètre de complexité de rpart.
    • Sélectionnez le nombre d’échantillons qui doivent se trouver dans au moins 2 fractionnements: un plus grand nombre donne un arbre plus petit, plus simplifié.
    • Pourcentage de données provenant de la formation pour l’évaluationdu modèle : Sélectionnez la partie des données utilisées pour former le modèle. Utilisez la valeur par défaut 0 si vous voulez utiliser toutes les données pour tester le modèle. Sélectionnez une valeur élevée pour conserver ce pourcentage de données de l’apprentissage et évaluer la précision du modèle
    • Sélectionnez graines aléatoires pour algorithme: Sélectionnez la valeur de la graine. La valeur doit être un entier positif.

Onglet Validation croisée

Contrôles pour personnaliser une méthode de validation avec une utilisation efficace des informations disponibles.

Sélectionnez Utiliser la validation croisée pour déterminer les estimations de la qualité du modèle afin d’effectuer une validation croisée afin d’obtenir diverses mesures et graphiques de qualité du modèle. Certaines métriques et graphiques sont affichés dans la sortie R, et d'autres sont affichés dans la sortie I.

• Nombre de plis de validation croisée : Nombre de sous-échantillons en lesquelles les données sont divisées pour validation ou formation. 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.
• Nombre d’essais de validation croisée : Nombre de fois que la procédure de validation croisée est répétée. Les plis sont sélectionnés différemment dans chaque essai, et les résultats sont en moyenne dans tous les essais. 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.
• Définir les semences pour la validation croisée externe : Valeur qui détermine la séquence des tirages pour l’échantillonnage aléatoire. Cela entraîne le choix des mêmes enregistrements dans les données, bien que la méthode de sélection soit aléatoire et non dépendante de celles-ci.Utilisez La valeur Select de graines aléatoires pour la validation croisée afin de sélectionner la valeur de la   graine. La valeur doit être un entier positif.

Onglet Parcelles

Sélectionnez et configurez les graphiques qui apparaissent dans le rapport de sortie.

• Afficher le rapport statique : Sélectionnez pour afficher un rapport récapitulative du modèle à partir de l’ancre de sortie R. Sélectionné par défaut.
• Parcelle d’arbre: Graphique des variables et des branches de l’arbre de décision. Utilisez la bascule de la parcelle de l’arborescence d’affichage pour inclure un graphique des variables et des branches de l’arborescence de décision dans la sortie du rapport de modèle.

  • Distances uniformes de branche: Sélectionnez pour afficher les branches d’arbre avec une longueur uniforme ou proportionnelle à l’importance relative d’une division dans la prévision de la cible.

  • Résumé des feuilles: Déterminez ce qui est affiché sur les nœuds de feuilles finales de la parcelle d’arbre. Sélectionnez Compte si le nombre d’enregistrements s’affiche. Sélectionnez Proportions si le pourcentage des enregistrements totaux s’affiche.

  • Taille de l’intrigue: Sélectionnez si le graphique est affiché en pouces ou centimètres.

  • Largeur: Définissez la largeur du graphique à l’aide de l’unité sélectionnée dans la taille du graphique.

  • Hauteur: Définissez la hauteur du graphique à l’aide de l’unité sélectionnée dans la taille du graphique.

  • Résolution 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.

• Taille de police de base (points): sélectionnez la taille de la police dans le graphique.
  Parcelle de pruneaux: graphe simplifié de l'arbre décisionnel.

• Utiliser une parcelle de prune dans le rapport

  • Parcelle de pruneau d’affichage : Cliquez pour inclure un graphique simplifié de l’arborescence de décision dans la sortie du rapport de modèle.

  • Taille de la parcelle : Sélectionnez si le graphique est affiché en pouces ou centimètres.

  • Largeur: Définissez la largeur du graphique à l’aide de l’unité sélectionnée dans la taille du graphique.

  • Hauteur: Définissez la hauteur du graphique à l’aide de l’unité sélectionnée dans la taille du graphique.

  • Résolution du graphique : sélectionnez la résolution du graphique en points par pouce : 1x (96 ppp) ; 2x (192 PPP) ; ou 3x (288 PPP). 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.

  • Taille de la police de base (points) : Définissez la taille de la police dans le graphique.

L’outil Arbre de décision prend en charge le traitement en BDD Microsoft SQL Server 2016 et Teradata. Voir Aperçu d’En base de données pour plus d’informations sur la prise en charge et les outils En base de données.

Lorsqu'un outil Arbre de décision est placé sur la toile avec un autre outil In-DB, l'outil change automatiquement pour la version In-DB. 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. Voir Analyses prédictives pour en savoir plus sur la prise en charge des prédictifs en base de données.

Onglet Paramètres requis

• Nom du modèle : Chaque modèle doit recevoir un nom afin qu’il puisse être identifié ultérieurement.
  • Nom du modèle spécifique: Entrez le nom du modèle que vous souhaitez utiliser pour le modèle. 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.
  • Générer automatiquement un nom de modèle : Designer génère automatiquement un nom de modèle qui répond aux paramètres requis.
• Sélectionnez la variable cible : sélectionnez le champ dans le flux de données à prévoir.
• Sélectionnez les variables de prédicteur: choisissez les champs dans le flux de données que vous croyez « cause » des changements dans la 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.
• Utiliser des poids d’échantillonnage dans l’estimation du modèle (Facultatif): Sélectionnez pour choisir un champ à partir du flux de données d’entrée pour utiliser le poids de l’échantillonnage fo.
• Sélectionnez le champ de poids d’échantillonnage: Sélectionnez un champ de poids dans le flux de données pour estimer un modèle qui utilise le poids d’échantillonnage. Un champ est utilisé à la fois comme prédicteur et comme variable de poids. La variable de poids apparaît dans l’appel du modèle dans la sortie avec la chaîne « Right_ » prédépendait à elle.

Onglet Personnalisation du modèle

• Type de modèle: Sélectionnez le type de modèle qui va être utilisé.
  • Classification : Un modèle pour prédire une cible catégorique. Si vous utilisez un modèle de classification, sélectionnez également les critères de fractionnement.
    • Coefficient de Gini
    • Indice d’information basé sur l’entropie
  • Régression : Modèle pour prédire une cible numérique continue.
• Nombre minimum d’enregistrements nécessaires pour tenir compte d’une fraction: Si le long d’un ensemble de branches d’un arbre, il y a moins d’enregistrements que le nombre minimum sélectionné que l’autorisation d’aucun fractionnement supplémentaire.
• Paramètre de complexité : Ce paramètre contrôle la façon dont les fractionnements sont effectués (c.-à-d. le nombre de branches dans l’arborescence). La valeur doit être inférieure à 1. Plus la valeur est faible, plus les branches sont nombreuses dans l’arbre final. La valeur « Auto » ou l’omission d’une valeur entraîne la sélection du « meilleur » paramètre de complexité en fonction de la validation croisée.
• Nombre minimum d’enregistrements autorisés dans un nœud terminal: le plus petit nombre d’enregistrements qui doivent être contenus dans un nœud terminal. Plus vous diminuez cette valeur, plus le nombre potentiel de nœuds terminaux finaux augmente.
• Utilisation de substitution: Ce groupe d’options contrôle la façon dont les enregistrements avec des données manquantes dans les variables prédictoraux d’un fractionnement particulier sont traités. La première option est d’omettre (supprimer) un enregistrement dont la variable utilisée dans le fractionnement a une valeur manquante. La deuxième option est d’utiliser des fractionnements de substitution, selon lesquels la direction d’envoi d’un enregistrement repose sur des fractionnements alternatifs sur une ou plusieurs autres variables présentant des résultats presque identiques. La troisième option est d’envoyer l’observation dans la direction de la majorité dans le fractionnement.
  • Omettre une observation avec une valeur manquante pour la règle de fractionnement principale
  • Utilisez des caractères de remplacement pour séparer les enregistrements dans lesquels la variable candidate est manquante
  • Si tous les caractères de substitution sont manquants, envoyer l'observation dans la direction majoritaire
  • Nombre total de classifications correctes pour une variable candidate potentielle
  • Pourcentage correct calculé à l'aide des valeurs non manquantes d'une variable candidate
• Nombre de plis à utiliser dans la validation croisée pour tailler l’arbre: Lorsque l’arbre est taillé à l’aide d’un paramètre de complexité, la validation croisée est utilisée pour déterminer combien de fractionnements, donc de branches, se trouvent dans l’arbre. Cette opération est effectuée via l’utilisation de la validation croisée, où N - 1 des plis sont utilisés pour créer un modèle, et le Ne pli est utilisé comme échantillon pour déterminer le nombre de branches optimal pour le pli de retenue afin d’éviter un surajustement. Il est possible de modifier le nombre de groupes (N) selon lequel les données doivent être divisées. La valeur par défaut est 10, mais d’autres valeurs courantes sont 5 et 20.
• Profondeur maximale autorisée de n’importe quel nœud dans l’arborescence finale: cette option limite la taille globale de l’arborescence en indiquant combien de niveaux sont autorisés du nœud racine au nœud le plus éloigné de la racine.
• Nombre maximal de bacs à utiliser pour chaque variable numérique: fonction Revo ScaleR (rxDTree) qui implémente l’arborescence de décision évolutive gère les variables numériques via un processus de binning d’intervalle égal pour réduire la complexité du calcul. L’option « Par défaut » utilise une formule basée sur le nombre minimum d’enregistrements nécessaires pour un fractionnement, mais il est possible de définir cette valeur manuellement. Cette option ne s’applique que si l’entrée dans l’outil est un flux de métadonnées XDF.

Onglet Options graphiques

• Tracé d’arborescence: cet ensemble d’options contrôle un certain nombre d’options associées au traçage d’un arborescence de décision.
  • Résumédes feuilles : Le premier choix en vertu de cette option est la nature du résumé des feuilles. Cette option détermine si les nombres ou proportions sont imprimés dans les nœuds feuilles finaux dans le diagramme d’arborescence.
    • Comptages
    • Proportions
  • ​​​​​​​Distances uniformes de branche : La deuxième option est de savoir si des distances uniformes de branche doivent être utilisées. Cette option détermine si la longueur des branches d’arbre dessinées reflète l’importance relative d’une division dans la prévision de la cible ou sont de longueur uniforme dans la parcelle d’arbre. ​​​​​​​
• ​​​​​​​​​​​​​​Taille de la parcelle : définissez les dimensions de la parcelle d’arborescence de sortie.
  • Inches: Définir la largeur et la hauteur de l’intrigue.
  • Centimètres: Définissez la largeur et la hauteur de la parcelle.
  • ​​​​​​​Résolutiongraphique : 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.
  • Taille de police de base (points): taille de police en points.

• Terrain d’élagage: Sélectionnez pour inclure un graphique simplifié de l’arborescence de décision dans la sortie du rapport de modèle.

  • Taille de l’intrigue: Sélectionnez si le graphique est affiché en pouces ou centimètres.

    • Largeur : Définissez la largeur du graphique à l’aide de l’unité sélectionnée dans la taille du graphique.

    • Hauteur : Définissez la hauteur du graphique à l’aide de l’unité sélectionnée dans la taille du graphique.

  • Résolutiongraphique : 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.

  • Taille de la police de base (points) : Définissez la taille de la police dans le graphique.

Connectez un outil Explorateur à chaque ancrage de sortie pour afficher les résultats.

• O (Sortie) : affiche le nom du modèle et la taille de l’objet dans la fenêtre Résultats.
• R (Rapport) : Affiche un rapport sommaire du modèle qui comprend un résumé et des graphiques.
• I (Interactif) : affiche un tableau de bord interactif de visualisations de support qui vous permet de zoomer, de planer et de cliquer.