Ferramenta De Regressão
Last modified: May 09, 2022
Use a ferramenta Regressão como parte de um gasoduto de aprendizagem de máquina para identificar uma tendência. A ferramenta fornece vários algoritmos que você pode usar para treinar um modelo. A ferramenta também permite que você ajuste um modelo usando muitos parâmetros.
Configurar a ferramenta
Esta seção contém informações sobre como configurar a ferramenta Regressão.
Algoritmo seleciona
Selecione qual algoritmo você deseja usar. Você pode escolher regressão linear,árvore de decisãoou Floresta Aleatória.
Configurar parâmetros
Configure os parâmetros. Cada algoritmo tem parâmetros específicos. Cada algoritmo também tem parâmetros gerais e avançados. Parâmetros gerais são fundamentais para criar um modelo preciso, mesmo para iniciantes. Parâmetros avançados podem melhorar a precisão, mas requerem uma compreensão aprofundada do que fazem.
Faça referência à tabela para cada algoritmo ver quais parâmetros fazem:
Regressão linear
| Nome | Descrição | Opções | Padrão |
| fit_intercept | Decida se você deseja que o algoritmo calcule o intercepto para seu modelo de regressão linear. Também conhecida como "constante", a interceptação é o valor médio esperado de y onde x igual a 0. |
|
Ativado |
| Normalizar | Decida se você deseja que o algoritmo normalize os destinos. A normalização ajusta os destinos de forma que você possa compará-los com outros dados em uma escala comum. Isso pode ajudar a identificar associações nos dados. |
|
Ativado |
Árvore de decisão
| Nome | Descrição | Opções | Padrão |
| Bootstrap | Bootstrapping, a base do bagging, é o método usado para amostrar o conjunto de dados para fins de treinamento. Esse método envolve a criação iterativa de subamostras do seu conjunto de dados para simular dados novos e não vistos, que podem ser usadas para melhorar a generalização do seu modelo. |
|
Ativado |
| Critério | Use o parâmetro Critério para selecionar um método para medir o quão bem o algoritmo da árvore de decisão divide seus dados em diferentes nódulos. |
|
Erro quadrático médio (MSE) |
| max_depth | Max Depth é o caminho mais longo de uma raiz para uma folha de uma árvore. Árvores mais profundas têm mais divisões e capturam mais informações sobre os dados. |
|
Limited: 100 |
| max_features | Max Features define o número máximo de recursos que sua árvore de decisão considera ao procurar uma melhor primeira divisão. |
|
Automático |
| max_leaf_nodes | Max Leaf Nodes é o limite ascendente no número total de nódulos de folha que seu algoritmo pode gerar. Ele aumenta os nós até o número máximo de uma maneira best-first. O algoritmo determina quais nós são melhores com base na capacidade desses nós para redução de impurezas. Use o parâmetro Critério para especificar como você deseja medir a redução da impureza. | Qualquer inteiro ou nenhum. | Nenhum |
| min_impurity_decrease | A diminuição da impureza estabelece o limite mínimo de redução da impureza necessário para que a árvore de decisão se divida em um novo nó. Assim, ocorre uma divisão onde diminuiria a impureza em uma quantidade igual ou maior do que a Diminuição da Impureza min, ocorre uma divisão. Use o parâmetro Critério para especificar como você deseja medir a redução da impureza. | Qualquer flutuação. | 0.0 |
| min_samples_split | Min Samples Split estabelece o limiar mínimo de amostras necessárias para que a árvore de decisão se divida em um novo nó. O algoritmo pode considerar desde apenas uma amostra até todas as amostras. | Qualquer inteiro ou fração. | Integer: 2 |
| min_weight_fraction_leaf | Min Weight Fraction Leaf é o limite mínimo de peso necessário para a árvore de decisão se dividir em um novo nó. Esse limite é igual à fração mínima do peso total para todas as amostras. Por padrão, o algoritmo de árvore de decisão assume pesos iguais. | Qualquer flutuação. | 0.0 |
| Pré-ordenação | Use esse parâmetro para pré-ordenar os dados, o que pode ajudar o algoritmo a encontrar as melhores divisões mais rapidamente. |
|
Desligado |
| Semente aleatória | Random Seed especifica o número inicial para gerar uma sequência pseudoaleatória. Se você selecionar None,um gerador de números aleatórios escolhe um número inicial. |
|
Nenhum |
| Splitter | Splitter é a estratégia usada para dividir em um nó. Inclui opções para a melhor primeira divisão e a melhor divisão aleatória. O algoritmo determina quais nós são melhores com base na capacidade desses nós para redução de impurezas. |
|
Melhor |
Floresta aleatória
| Nome | Descrição | Opções | Padrão |
| Bootrap | Bootstrapping, a base do bagging, é o método usado para amostrar o conjunto de dados para fins de treinamento. Esse método envolve a criação iterativa de subamostras do seu conjunto de dados para simular dados novos e não vistos, que podem ser usadas para melhorar a generalização do seu modelo. |
|
Ativado |
| Critério | Use o parâmetro Critério para selecionar um método para medir o quão bem o algoritmo da floresta aleatória divide seus dados em diferentes nós, que compreendem as muitas árvores diferentes em sua floresta aleatória. |
|
Erro quadrático médio (MSE) |
| max_depth | Max Depth é o caminho mais longo de uma raiz para uma folha para cada árvore na floresta. Árvores mais profundas têm mais divisões e capturam mais informações sobre os dados. |
|
Ilimitado |
| max_features | Max Features define o número máximo de características que cada árvore de decisão na floresta considera ao procurar uma melhor primeira divisão. |
|
Automático |
| min_impurity_decrease | A diminuição da impureza estabelece o limite mínimo de redução da impureza necessário para que uma árvore de decisão se divida em um novo nó. Assim, ocorre uma divisão onde diminuiria a impureza em uma quantidade igual ou maior do que a diminuição da impureza. Use o parâmetro Critério para especificar como você deseja medir a redução da impureza. | Qualquer flutuação. | 0.0 |
| min_samples_split | Min Samples Split estabelece o limiar mínimo de amostras necessárias para que a árvore de decisão (em uma floresta aleatória) se divida em um novo nó. O algoritmo pode considerar desde apenas uma amostra até todas as amostras. | Qualquer inteiro ou fração. | Integer: 2 |
| min_weight_fraction_leaf | Min Weight Fraction Leaf é o limite mínimo de peso necessário para uma árvore de decisão se dividir em um novo nó. Esse limite é igual à fração mínima do peso total para todas as amostras. O algoritmo da floresta aleatória assume pesos iguais por padrão. | Qualquer flutuação. | 0.0 |
| Número de estimadores | Número de estimadores é o número de árvores que você quer criar como parte da floresta. | Qualquer inteiro. | 100 |
| Semente aleatória | Random Seed especifica o número inicial para gerar uma sequência pseudoaleatória. Se você selecionar None,um gerador de números aleatórios escolhe um número inicial. |
|
Nenhum |