Propriétés logregnode

Icône Noeud LogistiqueLa régression logistique est une technique statistique de classification des enregistrements sur la base des valeurs de champs d'entrée. Il est analogue à la régression linéaire, mais prend un champ cible catégorique au lieu d'une plage numérique.

Exemple multinomial

node = stream.create("logreg", "My node")
# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["BP", "Cholesterol", "Age"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "Log_reg Drug")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("method", "Stepwise")
node.setPropertyValue("logistic_procedure", "Multinomial")
node.setPropertyValue("multinomial_base_category", "BP")
node.setPropertyValue("model_type", "FullFactorial")
node.setPropertyValue("custom_terms", [["BP", "Sex"], ["Age"], ["Na", "K"]])
node.setPropertyValue("include_constant", False)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("scale", "Pearson")
node.setPropertyValue("scale_value", 3.0)
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("tolerance", "1.0E-7")
# "Convergence..." section
node.setPropertyValue("max_iterations", 50)
node.setPropertyValue("max_steps", 3)
node.setPropertyValue("l_converge", "1.0E-3")
node.setPropertyValue("p_converge", "1.0E-7")
node.setPropertyValue("delta", 0.03)
# "Output..." section
node.setPropertyValue("summary", True)
node.setPropertyValue("likelihood_ratio", True)
node.setPropertyValue("asymptotic_correlation", True)
node.setPropertyValue("goodness_fit", True)
node.setPropertyValue("iteration_history", True)
node.setPropertyValue("history_steps", 3)
node.setPropertyValue("parameters", True)
node.setPropertyValue("confidence_interval", 90)
node.setPropertyValue("asymptotic_covariance", True)
node.setPropertyValue("classification_table", True)
# "Stepping" options
node.setPropertyValue("min_terms", 7)
node.setPropertyValue("use_max_terms", True)
node.setPropertyValue("max_terms", 10)
node.setPropertyValue("probability_entry", 3)
node.setPropertyValue("probability_removal", 5)
node.setPropertyValue("requirements", "Containment")

Exemple binomial

node = stream.create("logreg", "My node")
# "Fields" tab
node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Cholesterol")
node.setPropertyValue("inputs", ["BP", "Drug", "Age"])
node.setPropertyValue("partition", "Test")
# "Model" tab
node.setPropertyValue("use_model_name", False)
node.setPropertyValue("model_name", "Log_reg Cholesterol")
node.setPropertyValue("multinomial_base_category", "BP")
node.setPropertyValue("use_partitioned_data", True)
node.setPropertyValue("binomial_method", "Forwards")
node.setPropertyValue("logistic_procedure", "Binomial")
node.setPropertyValue("binomial_categorical_input", "Sex")
node.setKeyedPropertyValue("binomial_input_contrast", "Sex", "Simple")
node.setKeyedPropertyValue("binomial_input_category", "Sex", "Last")
node.setPropertyValue("include_constant", False)
# "Expert" tab
node.setPropertyValue("mode", "Expert")
node.setPropertyValue("scale", "Pearson")
node.setPropertyValue("scale_value", 3.0)
node.setPropertyValue("all_probabilities", True)
node.setPropertyValue("tolerance", "1.0E-7")
# "Convergence..." section
node.setPropertyValue("max_iterations", 50)
node.setPropertyValue("l_converge", "1.0E-3")
node.setPropertyValue("p_converge", "1.0E-7")
# "Output..." section
node.setPropertyValue("binomial_output_display", "at_each_step")
node.setPropertyValue("binomial_goodness_of_fit", True)
node.setPropertyValue("binomial_iteration_history", True)
node.setPropertyValue("binomial_parameters", True)
node.setPropertyValue("binomial_ci_enable", True)
node.setPropertyValue("binomial_ci", 85)
# "Stepping" options
node.setPropertyValue("binomial_removal_criterion", "LR")
node.setPropertyValue("binomial_probability_removal", 0.2)
Tableau 1. propriétés de logregnode
logregnode Propriétés Valeurs Description de la propriété
target zone Les modèles de régression logistique nécessitent un seul champ cible et un ou plusieurs champs d'entrée. Les champs de fréquence et de poids ne sont pas utilisés. Pour plus d'informations, voir Propriétés communes des noeuds de modélisation .
logistic_procedure Binomial Multinomial  
include_constant option  
mode Simple Expert  
method Enter Stepwise Forwards Backwards BackwardsStepwise  
binomial_method Enter Forwards Backwards  
model_type MainEffects FullFactorial Custom Lorsque le type de modèle spécifié est « FullFactorial », les méthodes pas à pas ne s'exécutent pas, même si elles sont spécifiées. Enter sera la méthode utilisée. Si le type de modèle est défini sur « Custom » (modèle d'effets principaux) mais qu'aucun champ personnalisé n'est spécifié, un modèle d'effets principaux sera construit.
custom_terms [[ BP Sexe ] [ BP ] [ Age ]]  
multinomial_base_category chaîne Spécifie comment la catégorie de référence est déterminée.
binomial_categorical_input chaîne  
binomial_input_contrast Indicator Simple Difference Helmert Repeated Polynomial Deviation Propriété clé pour une entrée catégorique qui spécifie comment le contraste est déterminé. Voir l'exemple d'utilisation.
binomial_input_category First Last Propriété clé pour une entrée catégorielle qui spécifie comment la catégorie de référence est déterminée. Voir l'exemple d'utilisation.
scale None UserDefined Pearson Deviance  
scale_value numéro aujourd'hui  
all_probabilities option  
tolerance 1.0E-5 1.0E-6 1.0E-7 1.0E-8 1.0E-9 1.0E-10  
min_terms numéro aujourd'hui  
use_max_terms option  
max_terms numéro aujourd'hui  
entry_criterion Score LR  
removal_criterion LR Wald  
probability_entry numéro aujourd'hui  
probability_removal numéro aujourd'hui  
binomial_probability_entry numéro aujourd'hui  
binomial_probability_removal numéro aujourd'hui  
requirements HierarchyDiscrete HierarchyAll Containment None  
max_iterations numéro aujourd'hui  
max_steps numéro aujourd'hui  
p_converge 1.0E-4 1.0E-5 1.0E-6 1.0E-7 1.0E-8 0  
l_converge 1.0E-1 1.0E-2 1.0E-3 1.0E-4 1.0E-5 0  
delta numéro aujourd'hui  
iteration_history option  
history_steps numéro aujourd'hui  
summary option  
likelihood_ratio option  
asymptotic_correlation option  
goodness_fit option  
parameters option  
confidence_interval numéro aujourd'hui  
asymptotic_covariance option  
classification_table option  
stepwise_summary option  
info_criteria option  
monotonicity_measures option  
binomial_output_display at_each_step at_last_step  
binomial_goodness_of_fit option  
binomial_parameters option  
binomial_iteration_history option  
binomial_classification_plots option  
binomial_ci_enable option  
binomial_ci numéro aujourd'hui  
binomial_residual outliers all  
binomial_residual_enable option  
binomial_outlier_threshold numéro aujourd'hui  
binomial_classification_cutoff numéro aujourd'hui  
binomial_removal_criterion LR Wald Conditional  
calculate_variable_importance option  
calculate_raw_propensities option