propriedades chaidnode

Ícone do nó CHAID O nó CHAID gera árvores de decisão usando estatísticas qui-quadrado para identificar divisões ideais. Ao contrário dos nós Árvore C e R e QUEST, o CHAID pode gerar árvores não binárias, o que significa que algumas divisões têm mais de duas ramificações. Os campos de destino e de entrada podem ser um intervalo numérico (contínuo) ou categóricos. Um CHAID exaustivo é uma modificação de CHAID que faz um trabalho mais profundo de examinar todas as divisões possíveis, porém demora mais tempo para calcular.

Exemplo

stream = modeler.script.stream()
sourcenode = stream.findByID("id46WRP1285C")

node = stream.createAt("chaid", "My node", 200, 100)
stream.link(sourcenode, node)

node.setPropertyValue("custom_fields", True)
node.setPropertyValue("target", "Drug")
node.setPropertyValue("inputs", ["Age", "Na", "K", "Cholesterol", "BP"])
node.setPropertyValue("use_model_name", True)
node.setPropertyValue("model_name", "CHAID")
node.setPropertyValue("method", "Chaid")
node.setPropertyValue("model_output_type", "InteractiveBuilder")
node.setPropertyValue("use_tree_directives", True)
node.setPropertyValue("tree_directives", "Test")
node.setPropertyValue("split_alpha", 0.03)
node.setPropertyValue("merge_alpha", 0.04)
node.setPropertyValue("chi_square", "Pearson")
node.setPropertyValue("use_percentage", False)
node.setPropertyValue("min_parent_records_abs", 40)
node.setPropertyValue("min_child_records_abs", 30)
node.setPropertyValue("epsilon", 0.003)
node.setPropertyValue("max_iterations", 75)
node.setPropertyValue("split_merged_categories", True)
node.setPropertyValue("bonferroni_adjustment", True)

Tabela 1. propriedades chaidnode
Propriedades `chaidnode`	Tipo de dados ou valores.	Descrição da propriedade
`target`	campo	Os modelos CHAID requerem um único campo de destino e um ou mais campos de entrada. Também é possível especificar uma frequência. Para obter mais informações, consulte Propriedades do nó de modelagem comum
`continue_training_existing_model`	sinalização
`objective`	`Standard` `Boosting` `Bagging` `psm`	`psm` é usado para conjuntos de dados grandes e requer uma conexão do servidor..
`model_output_type`	`Single` `InteractiveBuilder`
`use_tree_directives`	sinalização
`tree_directives`	sequência
`method`	`Chaid` `ExhaustiveChaid`
`use_max_depth`	`Default` `Custom`
`max_depth`	Número inteiro	Profundidade máxima da árvore, de 0 a 1000. Usado apenas se `use_max_depth = Custom`.
`use_percentage`	sinalização
`min_parent_records_pc`	number
`min_child_records_pc`	number
`min_parent_records_abs`	number
`min_child_records_abs`	number
`use_costs`	sinalização
`costs`	estruturado	Propriedade estruturada.
`trails`	number	Número de modelos de componente para boosting ou bagging.
`set_ensemble_method`	`Voting` `HighestProbability` `HighestMeanProbability`	A regra padrão para combinar variáveis resposta categóricas.
`range_ensemble_method`	`Mean` `Median`	Regra de combinação padrão para variáveis resposta contínua.
`large_boost`	sinalização	Aplica boosting para grandes conjuntos de dados..
`split_alpha`	number	Nível de significância para divisão.
`merge_alpha`	number	Nível de significância para mesclagem.
`bonferroni_adjustment`	sinalização	Ajuste valores de significância usando o método Bonferroni.
`split_merged_categories`	sinalização	Permite redivisão de categorias mescladas.
`chi_square`	`Pearson` `LR`	O método usado para calcular a estatística qui-quadrado: Pearson ou Razão de Verossimilhança
`epsilon`	number	Mudança mínima nas frequências de célula esperadas.
`max_iterations`	number	Iterações máximas para convergência.
`set_random_seed`	Número inteiro
`seed`	number
`calculate_variable_importance`	sinalização
`calculate_raw_propensities`	sinalização
`calculate_adjusted_propensities`	sinalização
`adjusted_propensity_partition`	`Test` `Validation`
`maximum_number_of_models`	Número inteiro
`train_pct`	duplo	O algoritmo separa registros internamente em um conjunto de construção de modelo e um conjunto de prevenção de superajuste. O conjunto de prevenção de superajuste é um conjunto independente de registros de dados usados para rastrear erros durante o treinamento, o que evita que o método modele a variação de chance nos dados Especifique uma porcentagem de registros. O padrão é `30`.
`use_customize_layer`	Booleano	O valor padrão é `false`. É possível configurar essa propriedade para `true` se desejar designar campos específicos como pontos para dividir a árvore de decisão.
`customize_layer`	lista	Essa propriedade é usada apenas quando `use_customize_layer` é configurado como `true` Esta propriedade é uma lista de objetos Cada um dos objetos tem dois atributos: `Layer` é um número inteiro que indica a enésima camada específica na árvore de decisão que você deseja customizar. No SPSS Modeler, as camadas iniciam em `0` (raiz). `Fields` é uma lista de nomes.. Cada nome é um dos campos nos quais você deseja que a árvore de decisão seja potencialmente dividida para esse `Layer` Esses campos são avaliados pelo SPSS Modeler na ordem em que eles são listados Quando o fluxo do SPSS Modeler é executado, o algoritmo CHAID avalia e retorna uma lista candidata de campos para dividir com base no valor `p` para cada camada. Para uma camada customizada, cada campo especificado para a camada é comparado com a lista de candidatos completos de campos. O primeiro campo para corresponder a um campo da lista de candidatos é usado para a divisão. O restante dos campos especificados são ignorados Se nenhum dos campos corresponder, uma mensagem de aviso aparecerá e a árvore será dividida normalmente..