Outil Régression de comptage

Utilisez l'outil Régression de comptage pour créer un modèle de régression qui relie un champ d'intérêt (variable cible) contenant un entier non négatif (0, 1, 2, 3, etc.) à un ou plusieurs champs qui sont censés avoir une influence sur la variable cible et sont souvent appelés des « variables prédictives ».

Des exemples de cas pratiques courants sont le nombre de visites effectuées par un client dans un restaurant particulier au cours d'un mois donné ou le nombre de numéros de téléphone associés à un compte de téléphone mobile particulier. Dans ces cas pratiques, l'utilisation d'un modèle linéaire produit des estimations biaisées. Les 2 modèles de régression de comptage les plus connus sont le modèle de Poisson* et le modèle de régression binomiale négative**. À partir d'un ensemble de variables prédictives, un modèle de régression des données de comptage permet d'estimer le nombre attendu d'événements (par exemple, les visites à un magasin) pour une unité d'observation (par exemple, un client).

Le modèle de régression de Poisson produit une hypothèse fiable à propos de la relation entre la moyenne et la variance du champ cible (spécifiquement qu'elles sont équivalentes). En tenant compte de cela, le modèle de quasi-Poisson a été développé. Le modèle de quasi-Poisson permet une variance différente de la moyenne, mais en contrepartie, il ne possède pas de mesures de critères d'information définis (par exemple, l'AIC), et donc, il ne peut pas être utilisé comme point de départ pour la sélection de variables pas à pas. Le modèle de régression binomiale négative possède des critères d'information bien définis. Il permet une différence de moyenne et de variance pour la distribution sous-jacente, c'est pourquoi il est généralement recommandé. Il convient de noter qu'un modèle de régression de Poisson estimé à l'aide de données dans lesquelles la moyenne et la variance diffèrent fournit des estimations non biaisées de la moyenne et des coefficients de modèle correspondants, mais que les tests de signification statistique sont biaisés.

Avec cet outil, si l'entrée provient d'un flux de données Alteryx standard, la fonction glm de R open source permet d'estimer le modèle. Si l'entrée provient d'un outil outil Sortie XDF ou un outil Entrée XDF, la fonction rxGlm de Revo ScaleR permet d'estimer le modèle. La fonction basée sur Revo ScaleR est intéressante, car elle permet d'analyser des jeux de données beaucoup plus volumineux (hors mémoire). En revanche, elle nécessite de créer un fichier XDF, elle empêche de générer une partie de la sortie de diagnostic du modèle qui est disponible avec les fonctions R open source et elle ne peut produire qu'un modèle de régression de Poisson.

Cet outil utilise l'outil R. Accédez à OptionsTélécharger les outils prédictifs et connectez-vous au portail Alteryx Downloads and Licenses pour installer R et les paquets utilisés par l'outil R. Consultez  Télécharger et utiliser les outils prédictifs.