Ferramenta Regressão Logística

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.

Use sampling weights in model estimation: Select a variable to determine the amount of importance to place on each record when creating a model estimation. Se um campo for usado tanto como preditor quanto como variável de peso, a variável de peso aparece na saída com o prefixo "Right_".

Use regularized regression: Select to balance the same minimization of sum of squared errors with a penalty term on the size of the coefficients and produce a simpler model.

Select model type: Select the type of model to use for predicting the target variable.

Use cross-validation to determine estimates of model quality: Select to perform cross-validation and obtain various model quality metrics and graphs. Some metrics and graphs will be displayed in the static R output, and others will be displayed in the interactive I output.

Número de partições (folds): insira o número de subconjuntos nos quais os dados serão divididos. Lembre-se de que um número maior de folds resulta em estimativas mais robustas de qualidade do modelo, mas um número menor de folds permite uma execução mais rápida da ferramenta.

Number of trials: Select the number of times to repeat the cross-validation procedure. The folds are selected differently in each trial, and the overall results are averaged across all the trials. Lembre-se de que um número maior de folds resulta em estimativas mais robustas de qualidade do modelo, mas um número menor de folds permite uma execução mais rápida da ferramenta.

Enter positive class for target variable: Some of the measures reported by the tool in binary classification cases (such as true positive rate) require a positive class to be designated. To perform binary classification, type one of the two positive classes of the target variable. If left blank, one of the classes is automatically determined as the positive class. Essa opção só está disponível com múltiplas entradas.

Use stratified cross-validation: Select so each fold has the same percentage of each class as is present in the entire dataset. Essa opção só está disponível com múltiplas entradas.

Set seed: Select to ensure the reproducibility of cross-validation and select the value of the seed used to assign records to folds. Choosing the same seed each time the workflow is run guarantees that the same records will be in the same fold each time. O registro de data e hora 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.

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

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

I (Interactive): Displays an interactive dashboard of supporting visuals that allows you to zoom, hover, and click.

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 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.

Omit a model constant: Check this item if you want to omit a constant from the model. This should be done if there is an explicit reason for doing so.

Oracle specific options: This option allows for the configuration of additional options only relevant for the Oracle platform.

Usar pesos de amostragem no treinamento do modelo: marque essa caixa de seleção e selecione o campo de peso no fluxo de dados para treinar 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_".

Teradata specific configuration: Microsoft Machine Learning Server needs additional configuration information about the specific Teradata platform to be used – in particular, the paths on the Teradata server to R's binary executables, and the location where temporary files that are used by Microsoft Machine Learning Server can be written. This information will need to be provided by a local Teradata administrator.

O anchor: Output. Âncora O: exibe o nome do modelo e o tamanho do objeto na janela de resultados.

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