Typ analýzy

Určuje provozní režim nástroje. Nástroj umožňuje učení modelu pouze pro posouzení výkonu, nebo učení modelu a předpovídání prvků. Typy předpovědi jsou následující:

• Učení modelu k posouzení jeho výkonu—Model bude učen tak, aby vyhovoval vstupním datům.Použijte tuto možnost k posouzení přesnosti vašeho modelu před generováním předpovědí na nové datové sadě.Výstupem této možnosti bude feature služba vašich přizpůsobených cvičných dat, diagnostika modelu a volitelná tabulka důležitosti proměnných.
• Učení modelu a předpovídání hodnot— Budou vygenerovány předpovědi nebo klasifikace prvků.Nezávislé proměnné musí být uvedeny pro cvičné prvky i prvky, které budou předpovězeny. Výstupem této možnosti bude feature služba vašich předpovězených hodnot, diagnostika modelu a volitelná tabulka důležitosti proměnných.

Učení modelu k posouzení jeho výkonu

Použijte tento režim, pokud chcete model přizpůsobit a prozkoumat jeho přizpůsobení.

Při této možnosti bude model učen za použití vstupní vrstvy. Použijte tuto možnost k posouzení přesnosti vašeho modelu před generováním předpovědí na nové datové sadě.Výstupem této možnosti bude diagnostika modelu v okně zpráv a použití modelu na vašich cvičných datech.

Učení modelu a předpovídání hodnot

Použijte tento režim, pokud chcete model přizpůsobit, a použít model na datovou sadu k vygenerování předpovědí.

Předpovědi nebo klasifikace budou pro prvky vygenerovány. Výstupem této možnosti bude feature služba, diagnostika modelu a volitelná tabulka důležitosti proměnných.

Vyberte cvičnou vrstvu

Vrstva prvků obsahující proměnnou k předpovědi a pole, která budou použita pro generování předpovědi.

Kromě výběru vrstvy z mapy můžete také zvolit položku Zvolit vrstvu analýzy která se nachází v dolní části rozbalovací nabídky, abyste ve svém obsahu mohli najít vrstvu prvků nebo datovou sadu sdílených souborů velkých dat.

Vybrat vrstvu, pro níž budou předpovídány hodnoty

Vrstva prvků představující umístění, ve kterých budou provedeny předpovědi. Tato vrstva prvků musí také obsahovat všechny nezávislé proměnné zadané jako pole odpovídající těm použitým v cvičných datech.

Kromě výběru vrstvy z mapy můžete také zvolit položku Zvolit vrstvu analýzy která se nachází v dolní části rozbalovací nabídky, abyste ve svém obsahu mohli najít vrstvu prvků nebo datovou sadu sdílených souborů velkých dat.

Zvolit pole k předpovědi

Pole ze cvičných prvků obsahující hodnoty, které mají být použity k učení modelu. Toto pole obsahuje známé (cvičné) hodnoty proměnné, které se použijí k předpovědi v neznámých umístěních. Pokud jsou hodnoty kategorické (například javor, borovice, dub), zaškrtněte pole Kategorický.

Vyberte jednu nebo více nezávislých proměnných

Jedno nebo více polí reprezentujících nezávislé proměnné (pole), které pomáhají předpovídat hodnotu či kategorii proměnné k předpovědi. Použijte zaškrtávací pole Kategorický pro jakékoliv proměnné, které reprezentují třídy či kategorie (např. půdní kryt nebo přítomnost či nepřítomnost). Zadejte proměnné jako pravda pro ty, které představují třídy nebo kategorie, jako například půdní kryt nebo nepřítomnost, a nepravda, pokud jsou proměnné souvislé.

Počet stromů

Počet stromů vytvořených v modelu. Více stromů bude mít obecně za následek přesnější předpověď modelu, ale výpočet modelu bude déle trvat Výchozí počet stromů je 100.

Minimální velikost listů

Minimální počet pozorování požadovaný pro zachování listu (konečný uzel na stromu, který se již dál nedělí). Výchozí minimum pro regresi je 5 a výchozí hodnota pro klasifikaci je 1. U velmi velkých dat zvýšení těchto čísel sníží dobu běhu nástroje.

Maximální hloubka stromu

Maximální počet dělení stromu. Pomocí velké maximální hloubky bude vytvořeno více dělení, což může zvýšit šance na přeplnění modelu. Výchozí hodnota se odvíjí od dat a záleží na počtu vytvořených stromů a počtu zahrnutých proměnných.

Data dostupná na strom (%)

Určuje procento prvků ve cvičné vrstvě použitých na každý rozhodovací strom. Výchozí počet dat je 100 %. Ze dvou třetin stanovených dat jsou pro každý strom náhodně odebrány vzorky.

Každý rozhodovací strom v lese je vytvořen pomocí náhodného vzorku nebo podmnožiny (asi dvou třetin) dostupných cvičných dat. Použití nižšího počtu procent vstupních dat pro každý rozhodovací strom zvyšuje rychlost nástroje u velmi velkých datových sad.

Počet náhodně vzorkovaných proměnných

Určuje počet nezávislých proměnných použitých k vytvoření každého rozhodovacího stromu.

Každý rozhodovací strom v lese je vytvořen pomocí náhodné podmnožiny stanovených nezávislých proměnných. Zvýšení počtu proměnných použitých na každý rozhodovací strom zvýší šanci na přeplnění vašeho modelu, zejména pokud se zde vyskytuje jedna nebo dvojice dominantních proměnných. Běžnou praxí je použít druhou odmocninu z celkového počtu nezávislých proměnných, pokud vaše proměnná k předpovědi je číslo, nebo vydělit celkový počet nezávislých proměnných třemi, pokud je proměnná k předpovědi kategorická.

Vybrat, jak jsou nezávislá pole spárována

Jak budou odpovídající proměnné ve cvičné vrstvě upraveny na proměnné ve vrstvě předpovědi. Pouze proměnné použité při učení budou obsaženy v tabulce.

Počet opakování pro ověření

Určuje procentuální hodnotu (mezi 0 a 50 procenty) prvků ve cvičné vrstvě, které mají být vyhrazeny jako zkušební datová sada pro ověření. Model bude učen bez této náhodné podmnožiny dat a hodnoty pozorované pro tyto prvky budou porovnány s předpovídanými hodnotami. Výchozí hodnota je 10 procent.

Název výsledné vrstvy

Toto je název vrstvy, která se vytvoří ve složce Můj obsah a přidá do mapy. Výchozí název se řídí názvem nástroje a názvem vstupní vrstvy. Pokud výsledná vrstva již existuje, budete požádáni o zadání jiného názvu.

Vrácené výsledky budou záviset na typu analýzy. Pokud učíte model tak, aby vyhovoval vstupním datům, budou výsledky obsahovat vrstvu cvičných dat přizpůsobených modelu a informace o výsledku posouzení vyhovění modelu.Pokud učíte model a provádíte předpovědi, výsledky budou obsahovat vrstvu cvičných dat přizpůsobených modelu, vrstvu výsledků předpovědi a informace o výsledku posouzení vyhovění modelu.

V rozbalovacím seznamu Uložit výsledek do můžete zadat název složky ve složce Můj obsah, do které se má výsledek uložit.