生成模型和对模型进行比较
- 附加“自动分类器”节点，打开其构建选项属性，并选择总体准确性作为用来对模型进行排名的度量。
- 将 要使用的模型数 设置为 3。 这意味着运行节点时将构建三个最佳模型。
图 1。 “自动分类器”节点，构建选项 
在专家选项下，有许多不同的建模算法可供您选择。
- 取消选择判别和 SVM 模型类型。 （这些模型需要较长时间来训练此数据，因此取消选择这些模型将加快该示例的速度。 如果您不介意稍等一下，也可以选择这些模型。）
由于您在构建选项下将要使用的模型数设置为 3，因此节点将计算其余算法的准确性，并生成单个包含三种最准确算法的模型块。
图 2。 “自动分类器”节点，“专家”选项 
- 在整体选项下，为整体方法选择置信度加权投票。 此选项确定如何为每条记录生成一个汇总评分。
通过简单投票，如果三个模型中有两个模型预测 yes，那么 yes 将以 2 到 1 的投票方式获胜。 对于置信度加权投票，将根据每个预测的置信度值对投票进行加权。 因此，如果一个预测 否 的模型的置信度比两个预测 是 的模型合在一起的置信度还高，则 否 取胜。
图 3。 “自动分类器”节点，“整体”选项 
- 运行流程。 几分钟之后，会构建所生成的模型块，并将其放置在画布上，结果会添加到“输出”面板中。 可以查看该模型块，也可以采用其他许多方式保存或部署该模型块。
- 右键单击模型金块并选择 View Model. 您将看到有关运行期间创建的每个模型的详细信息。 （实际情况下，可能要对大型数据集创建数百个模型，这可能要耗用数小时。）
如果您想要进一步探查任何个别模型，可以单击它们在估计器列中的链接，以向下钻取和浏览各个模型结果。
图 4： 自动分类器结果 
缺省情况下，根据整体准确性对模型进行排序，因为这是您在“自动分类器”节点属性中选择的度量。 XGBoost Tree 模型按此度量进行排名最佳，但是 C5.0 和 C&RT 模型几乎一样准确。
基于这些结果，您可以决定使用所有这三个最准确的模型。 通过结合多个模型的预测，可以避免单个模型的局限性，从而使整体准确性更高。
- 在使用列中，选择三个模型。 返回到该流程。
- 在模型块后面附加分析输出节点。 右键单击分析节点，选择 运行 再次运行流程。
图 5。 “自动分类器”示例流程 
由整体模型生成的汇总评分将显示在名为
$XF-response的字段中。 当对照训练数据进行测量时，预测值与实际响应（记录在原始response字段中）进行匹配，总体准确性为 92.77％。 在这种情况下，虽然没有三个模型中的最佳模型的准确性那么高（C5.0 模型的准确性高达 92.82%），但是它们之间的差异太小，可以忽略不计。 一般来说，将整体模型应用于除训练数据之外的数据集时，通常更有可能效果较好。图 6。 对三个整体模型的分析 