Ferramenta Regressão Logística

Tipo Nome do modelo: informe um nome para o modelo a fim de identificá-lo quando ele for referenciado em outras ferramentas. Os nomes de modelo devem começar com uma letra e podem conter letras, números e os caracteres especiais ponto (.) e sublinhado (_). Nenhum outro caractere especial é permitido, e a ferramenta R diferencia maiúsculas de minúsculas.

Selecione a variável-alvo: selecione os dados a serem previstos. A variável-alvo também é chamada de resposta ou variável dependente.

Selecione as variáveis preditoras: selecione os dados que influenciam o valor da variável-alvo. Variáveis preditoras também são conhecidas como recursos ou variáveis independentes. Não há um limite para o número de variáveis preditoras selecionadas, mas a variável-alvo não deve ser usada como variável preditora. As colunas que contêm identificadores exclusivos, como chaves primárias alternativas e chaves primárias naturais, não devem ser usadas em análises estatísticas. Elas não têm nenhum valor preditivo e podem causar exceções de tempo de execução.

Usar pesos de amostragem na estimativa do modelo: selecione uma variável para determinar a quantidade de importância a ser colocada em cada registro na criação de um treinamento de modelo. Se um valor for usado tanto como preditor quanto como variável de peso, a variável de peso será exibida no relatório de saída com a cadeia de caracteres "Right_" como prefixo.

Usar regressão regularizada: selecione para equilibrar a mesma minimização da soma de erros quadráticos com um termo de penalidade sobre o tamanho dos coeficientes e produzir um modelo mais simples.

Selecionar tipo de modelo: selecione o tipo de modelo a ser utilizado para prever a variável-alvo.

Usar validação cruzada para determinar estimativas da qualidade do modelo: selecione para realizar a validação cruzada e obter várias métricas de qualidade e gráficos do modelo. Algumas métricas e gráficos serão exibidos na saída R estática e outros serão exibidos na saída I interativa.

Número de partições (folds): selecione o número de partições (folds) nas quais os dados serão divididos. Um número maior de partições (folds) resulta em estimativas mais robustas da qualidade do modelo, mas um número menor de partições proporciona uma execução mais rápida da ferramenta.

Número de avaliações: selecione o número de vezes para que o procedimento de validação cruzada seja repetido. As partições (folds) são selecionadas de forma diferente em cada avaliação, e os resultados gerais são calculados pela média de todas as avaliações. Um número maior de partições (folds) resulta em treinamentos mais robustos da qualidade do modelo, mas um número menor proporciona uma execução mais rápida da ferramenta.

Usar validação cruzada estratificada: selecione para que cada partição (fold) tenha a mesma porcentagem de cada uma das classes presentes em todo o conjunto de dados. Essa opção só está disponível para modelos de classificação.

Definir semente: selecione para garantir a reprodutibilidade da validação cruzada e selecione o valor da semente usada para atribuir registros às partições (folds). Escolha a mesma semente todas as vezes em que o fluxo de trabalho for executado para garantir que os mesmos registros estejam sempre na mesma partição (fold). O valor deve ser um número inteiro positivo.

Resoluções mais baixas geram um arquivo menor, melhor para visualização em um monitor.

Resoluções mais altas geram um arquivo maior e com melhor qualidade de impressão.

O (saída): exibe o nome do modelo e o tamanho do objeto na janela de resultados.

R (relatório): exibe um relatório do modelo que inclui um resumo e gráficos.

I (interativo): exibe um painel interativo de elementos visuais de suporte que permite zoom, focalização e cliques.

Nome do modelo: cada modelo precisa de um nome para que possa ser identificado mais tarde. Você pode informar um nome ou optar por ter um nome gerado automaticamente. Os nomes de modelo devem começar com uma letra e podem conter letras, números e os caracteres especiais ponto (".") e sublinhado ("_"). Nenhum outro caractere especial é permitido, e a ferramenta R diferencia maiúsculas de minúsculas.

Selecione a variável-alvo: selecione o campo do fluxo de dados que você deseja prever.

Selecione as variáveis preditoras: escolha os campos do fluxo de dados que você pressupõe que "causem" alterações no valor da variável-alvo. Colunas que contêm identificadores exclusivos, como chaves primárias alternativas e chaves primárias naturais, não devem ser usadas em análises estatísticas. Elas não têm nenhum valor preditivo e podem causar exceções de tempo de execução.

Omitir uma constante de modelo: marque este item se quiser omitir uma constante do modelo. A omissão deve ser feita se houver um motivo explícito para isso.

Opções específicas do Oracle: esta opção permite a configuração de opções adicionais relevantes somente na plataforma Oracle.

Usar pesos de amostragem para estimativa do modelo: marque essa caixa de seleção e selecione o campo de peso no fluxo de dados para estimar o modelo. Se um campo for usado tanto como preditor quanto como variável de peso, a variável de peso aparece na saída com o prefixo "Right_".

Configuração específica do Teradata: o Microsoft Machine Learning Server precisa de informações de configuração adicionais a respeito da plataforma específica do Teradata a ser usada – mais especificamente, os caminhos no servidor do Teradata para os executáveis binários do R e o local onde os arquivos temporários usados pelo Microsoft Machine Learning Server poderão ser gravados. Essas informações precisam ser fornecidas por um administrador local do Teradata.

Âncora O: saída. Exibe o nome do modelo e o tamanho do objeto na janela de resultados.

Âncora R: Relatório. Exibe um relatório do modelo que inclui um resumo e gráficos.