Modèles de partition: résultats différents pour chaque exécutionSalut à tous!
J'exécute des modèles de partition, y compris une forêt d'initialisation, une arborescence de décision et une arborescence optimisée, et j'apprécierais vraiment quelques suggestions sur la façon de résoudre ce problème. Par exemple, j'ai exécuté plusieurs fois la forêt d'amorçage sur mes données et le RSquare pour la validation pouvait aller de -0,2 à 0,8. Si je regarde les contributions des colonnes, le classement des variables changera beaucoup à chaque exécution. Je ne suis pas sûr de ce qui a causé les résultats instables (petit ensemble de données?).
Voici une brève description de mon ensemble de données. Je joins également le fichier de données.
48 observations, 5 variables prédictives continues
La variable de réponse (c'est-à-dire celle à prédire) est continue
Quelqu'un a-t-il des conseils pour résoudre ce problème? Remercier!
Shenxuan
Re: Partition Models: différents résultats pour chaque exécutionOh, et oui, 46 observations est un petit ensemble de données pour ces méthodes.
Avez-vous effectué votre analyse préliminaire avant la modélisation pour comprendre les données? Distribution des prédicteurs et réponse? Enquête multivariée (par exemple, matrice de dispersion)? Qu'as-tu trouvé? Des valeurs aberrantes? La colinéarité parmi les prédicteurs? Des transformations sont-elles suggérées?
Avez-vous essayé d’autres méthodes comme la régression pénalisée ( Modèle ajusté > Régression généralisée )? Ils n'impliquent pas une affectation aléatoire, sauf si vous utilisez la validation croisée. (Et si vous l'utilisez, vous devez utiliser la validation croisée avec pli K ou la validation croisée avec ou sans départ, avec seulement 46 observations et 10 à 15 termes potentiels dans le prédicteur linéaire.)
Re: Partition Models: différents résultats pour chaque exécutionConnaissez-vous les méthodes que vous utilisez? Vous pourriez trouver votre réponse en sélectionnant Aidez-moi > Livres > Modélisation prédictive et spécialisée . Il y a des chapitres consacrés aux méthodes que vous mentionnez.
Les guides JMP ne sont pas destinés à remplacer un enseignement sur la modélisation prédictive, mais ils constituent toujours des ressources précieuses et informatives.
Re: Partition Models: différents résultats pour chaque exécutionCe n'est pas un problème. C'est inhérent aux méthodes que vous utilisez. Ils reposent sur une affectation aléatoire, chaque exécution sera donc nécessairement différente.
Vous pouvez définir la valeur de départ aléatoire sur la même valeur avant chaque exécution et vous obtiendrez toujours les mêmes résultats. Par pourquoi un échantillon particulier est-il meilleur qu'un autre?
