Propriedades de autonumericnode

Ícone De Nó Numérico Automático O nó Previsor Contínuo Automático estima e compara modelos para resultados de intervalos numéricos contínuos usando vários métodos diferentes. O nó trabalha da mesma maneira que o nó Previsor Categórico Automático, permitindo escolher os algoritmos para usar e experimentar com várias combinações de opções em uma única passagem de modelagem. Os algoritmos suportados incluem redes neurais, Árvore C e R, algoritmo Detector de Interação Automático Chi-quadrado, regressão linear, regressão linear generalizada e Support Vector Machines (SVM). Os modelos podem ser comparados com base em correlação, erro relativo ou número de variáveis usadas.

Exemplo

node = stream.create("autonumeric", "My node")
node.setPropertyValue("ranking_measure", "Correlation")
node.setPropertyValue("ranking_dataset", "Training")
node.setPropertyValue("enable_correlation_limit", True)
node.setPropertyValue("correlation_limit", 0.8)
node.setPropertyValue("calculate_variable_importance", True)
node.setPropertyValue("neuralnetwork", True)
node.setPropertyValue("chaid", False)

Tabela 1. propriedades autonumericóes
Propriedades `autonumericnode`	Valores	Descrição da propriedade
`custom_fields`	sinalização	Se True, as configurações de campo customizado serão usadas ao invés das configurações do nó de tipo.
`target`	campo	O nó Numeração Automática requer um único campo de destino e um ou mais campos de entrada. Os campos de peso e de frequência também podem ser especificados. Veja Propriedades do nó de modelagem comum para obter mais informações.
`inputs`	[field1 … field2]
`partition`	campo
`use_frequency`	sinalização
`frequency_field`	campo
`use_weight`	sinalização
`weight_field`	campo
`use_partitioned_data`	sinalização	Se um campo de partição for definido, apenas os dados de treinamento serão usados para construção de modelo.
`ranking_measure`	`Correlation` `NumberOfFields`
`ranking_dataset`	`Test` `Training`
`number_of_models`	Número inteiro	Número de modelos a serem incluídos no nugget do modelo. Especifique um número inteiro entre 1 e 100.
`calculate_variable_importance`	sinalização
`enable_correlation_limit`	sinalização
`correlation_limit`	Número inteiro
`enable_number_of_fields_limit`	sinalização
`number_of_fields_limit`	Número inteiro
`enable_relative_error_limit`	sinalização
`relative_error_limit`	Número inteiro
`enable_model_build_time_limit`	sinalização
`model_build_time_limit`	Número inteiro
`enable_stop_after_time_limit`	sinalização
`stop_after_time_limit`	Número inteiro
`stop_if_valid_model`	sinalização
`<algorithm>`	sinalização	Ativa ou desativa o uso de um algoritmo específico.
`<algorithm>.<property>`	sequência	Configura um valor da propriedade para um algoritmo específico. Veja Configurando propriedades de algoritmo para obter mais informações.
`use_cross_validation`	Booleano	Em vez de usar uma partição única, uma partição de validação cruzada é usada.
`number_of_folds`	Número inteiro	Parâmetro N fold para validação cruzada, com intervalo de 3 a 10.
`set_random_seed`	Booleano	Configurar uma semente aleatória permite replicar análises. Especifique um número inteiro ou clique em Gerar, que criará um número inteiro pseudoaleatório entre 1 e 2147483647, inclusive. Por padrão, as análises são replicadas com a semente 229176228.
`random_seed`	Número inteiro	Valor inicial aleatório
`filter_individual_model_output`	Booleano	Remove da saída todos os campos adicionais gerados pelos modelos individuais que são alimentados no nó Combinação. Selecione esta opção se você tiver interesse apenas na pontuação combinada de todos os modelos de entrada. Assegure-se de que esta opção esteja desmarcada se, por exemplo, desejar utilizar um nó Análise ou nó Avaliação para comparar a precisão do escore combinado com a precisão de cada um dos modelos de entrada individuais.
`calculate_standard_error`	Booleano	Para um destino contínuo (intervalo numérico), um cálculo de erro padrão é executado por padrão para calcular a diferença entre os valores medidos ou estimados e os valores verdadeiros e para mostrar o quanto estão próximas as correspondências dessas estimativas.