Partitionsmodelle: unterschiedliche Ergebnisse für jeden LaufHallo zusammen!
Ich verwende Partitionsmodelle, einschließlich Bootstrap-Forest, Decision-Tree und Boost-Tree. Ich würde mich über einige Vorschläge zur Lösung dieses Problems freuen. Ich habe zum Beispiel mehrmals Bootstrap-Forest für meine Daten ausgeführt, und der RSquare für die Validierung könnte zwischen -0,2 und 0,8 liegen. Wenn ich mir Spaltenbeiträge ansehe, ändert sich der Rang der Variablen in jedem Durchlauf stark. Ich bin nicht sicher, was die instabilen Ergebnisse verursacht hat (kleine Datenmenge?).
Hier ist eine kurze Beschreibung meines Datensatzes. Ich füge auch die Datei hinzu.
48 Beobachtungen, 5 kontinuierliche Prädiktorvariablen
Die Antwortvariable (dh die vorherzusagende Variable) ist kontinuierlich
Hat jemand einen Rat, der helfen könnte, dieses Problem zu lösen? Danken!
Shenxuan
Re: Partition Models: unterschiedliche Ergebnisse für jeden LaufOh, und ja, 46 Beobachtungen sind ein kleiner Datensatz für diese Methoden.
Haben Sie vor der Modellierung eine vorläufige Analyse durchgeführt, um die Daten zu verstehen? Verteilung von Prädiktoren und Reaktion? Multivariate Vermessung (z. B. Streudiagramm-Matrix)? Was hast du gefunden? Ausreißer? Kollinearität unter Prädiktoren? Werden Transformationen vorgeschlagen?
Haben Sie andere Methoden wie bestrafte Regression ausprobiert ( Modell anpassen > Generalisierte Regression ) Sie beinhalten keine zufällige Zuweisung, es sei denn, Sie verwenden die Kreuzvalidierung. (Und wenn Sie sie verwenden, müssen Sie die K-fach-Kreuzvalidierung oder die Kreuzvalidierung mit eins zu eins auslassen, wobei nur 46 Beobachtungen und 10-15 mögliche Terme im linearen Prädiktor stehen.)
Re: Partition Models: unterschiedliche Ergebnisse für jeden LaufWissen Sie über die Methoden, die Sie verwenden? Sie können Ihre Antwort finden, indem Sie auswählen Hilfe > Bücher > Prädiktive und spezialisierte Modellierung . Es gibt Kapitel, die den von Ihnen erwähnten Methoden gewidmet sind.
Die JMP-Handbücher sind nicht als Ersatz für Vorhersagemodelle gedacht, sind aber dennoch wertvolle und informative Ressourcen.
Re: Partition Models: unterschiedliche Ergebnisse für jeden LaufDas ist kein Problem. Es ist inhärent in den von Ihnen verwendeten Methoden. Sie sind auf eine zufällige Zuweisung angewiesen, sodass jeder Lauf notwendigerweise anders ist.
Sie können den Zufallsstartwert vor jedem Lauf auf den gleichen Wert setzen, und Sie erhalten immer die gleichen Ergebnisse. Warum ist eine bestimmte Probe besser als eine andere?
