CRT Ayarlarını Değiştirme – SPSS Ödevi Yaptırma – SPSS Analizi Yaptırma Fiyatları – SPSS Örnekleri – Ücretli SPSS Analizi Yaptırma – SPSS Analizi Yaptırma Ücretleri
CRT Ayarlarını Değiştirme
Daha büyük veya daha küçük bir ağaç oluşturmak için CRT ile bir dizi ayarı değiştirebiliriz. Maksimum derinliği veya ebeveyn/alt ayarlarını değiştirebiliriz. Bu ayarın artırılması veya azaltılmasının etkisine ilişkin bir koçluk çizgisine sahip olan CRT sekmesinde bulunan “kirlilikteki minimum değişiklik”i de değiştirebiliriz: “Büyük değerler daha büyük ağaçlar üretme eğilimindedir.” Daha fazla veya daha az ondalık basamağa sahip olmak için önce bir sıfır (veya iki) eklemeyi veya bırakmayı deneyin.
Bu, bir değişikliğin ne kadarının gözle görülür bir etkiye sahip olacağına dair bir kılavuz görevi görmelidir. Bu bölümde yalnızca bir ek CRT ağacı deneyeceğiz ve değiştirilecek kriter olarak Budama’yı seçeceğiz. Bu çok önemli bir ayardır, CRT’nin nasıl çalışacak şekilde tasarlandığı ve açıkçası varsayılan olarak açık olması gerektiğidir. Budanmamış bir ağacı bir keşif adımı olarak incelemek ilginç olabilir, ancak genellikle bu ayar açık olmalıdır.
CRT algoritması yaklaşımının orijinal geliştiricileri (Breiman ve diğerleri), algoritma üzerinde bir dizi varyasyonla deneyler yaptılar ve en iyi sonuçların bir ağacı agresif bir şekilde büyütüp budadıklarında bulduklarını keşfettiler. Bu, örneğin ağacın büyümesini budamadan sınırlamaktan daha iyiydi.
“Maliyet karmaşıklığı” budamasının yapmaya çalıştığı şey, “değerlerinden” daha karmaşık olan dalları kaldırmaktır. Doğruluğu yeterince artıran dallar buna değer, ancak doğruluğu yeterince artırmayan dallar buna değmez. Tartılan şey, karmaşıklık ile doğruluktaki artış arasındaki bu orandır.
Kararlılık oldukça iyidir—Genel Yüzde doğruluğu, hem Eğitim hem de Test örneklerinde benzerdir. Test verileri için doğruluk da %83.4 ile iyidir. Aslında şimdiye kadarki en iyisi gibi görünüyor.
Dört Modelin Tümünün Sonuçlarının Karşılaştırılması
Dört modelin sonuçlarını karşılaştıralım. Bu sonuçları karşılaştırmada ve karşılaştırmada birçok kriter uygulayabiliriz. Sonuçları bir tabloda incelemenin olası bir yolunu gösterir. Veri madenciliği danışmanlığı işinde, birçok algoritma ve onlarca ayar kullanan 100’den fazla model düşünmek alışılmadık bir durum değil.
KhaBaza’nın Değer Yasası
En doğru modelin “kazanan” olduğu varsayılmamalıdır. Tom Khabaza’nın 9 Veri Madenciliği Yasasında, Veri Madenciliğinin 8. Yasası Değer Yasasıdır: “Veri madenciliği sonuçlarının değeri, tahmine dayalı modellerin doğruluğu veya kararlılığı ile belirlenmez.” Bu, doğruluk ve istikrarın hiçbir rol oynamadığını söylemek değil, daha çok bunların hikayenin tamamı olmadığını söylemektir. Khabaza’nın belirttiği gibi, “Yüksek derecede doğruluk, iş sorununa zayıf bir şekilde uymaları durumunda bu modellerin değerini artırmaz.”
Gerçek dünya modelleme alıştırmasında, girdi değişkenlerinin elde edilmesi veya ölçülmesi için farklı maliyetleri olabilir, bu da doğruluk ve maliyet arasında bir denge yaratır. Bir kişinin BT meslektaşları, biletlerin ödemesi yapılana kadar ücretin kaydedilmediğini ve bir seyahat acentesinin seyahat için rezervasyon yapması durumunda bu bilginin gecikebileceğini açıklayabilir.
Ekran çözünürlüğü değiştirme
Ekran çözünürlüğünü 1920X1080 yapma
Ekran çözünürlüğü Nedir
Windows 7 ekran çözünürlüğü Sorunu
Ekran çözünürlüğü ayarlama Windows 10
Ekran çözünürlüğü değişmiyor
Ekran çözünürlüğü kaç olmalı
Nvidia ekran çözünürlüğü ayarlama
Yalnızca, kalkış anında güvenilir bir şekilde mevcut olan değişkenleri kullanan modelleri kullanmamız gerekebilir, çünkü o sırada hala riskle ilgili bir şeyler yapma fırsatımız olabilir. Tek bir yolcunun riskini anlamak, gemi limandan ayrılmadan önce yüksek risk altında olan birinin kabinini hareket ettirmemize neden olabilir. Nihai seçim, tümü modelin iş problemini ne kadar iyi çözdüğüne odaklanan birçok faktör göz önünde bulundurularak yapılacaktır. 9 Kanun internette kolayca bulunur ve aranmaya değerdir.
Buradaki sonuçlar göz önüne alındığında, muhtemelen İkinci CRT ile devam etme eğilimindeyiz. Dördünün de stabil olduğu için şanslıyız. Hiçbiri, Tren’den Test’e geçerken doğrulukta önemli bir boşluk düşüşüne sahip değil. Aslında, hepsi Testte daha iyisini yaptı, bu yüzden hepsi bu anlamda uygulanabilir. Sonuncusu biraz daha iyi Test doğruluğuna sahip ve bir kez istikrarı sağladığımızda, Tren doğruluğunu pek umursamıyoruz.
Son olarak, dördüncü model biraz da cimridir. Çok karmaşık bir ağaç değildir. Bunu akılda tutarak, bir sonraki bölümde kullanılmak üzere tahmin edilen değerleri yeni bir değişken olarak veri setine kaydedeceğiz. Bu bölümü, örnek için en iyi modelimizi kullanarak Puanlama Sihirbazını tartışarak kapatacağız. Ama önce alternatif doğrulama seçeneklerini tartışacağız.
Alternatif Doğrulama Seçenekleri
Doğrulamamız için alternatif bir ayar düşünelim. Birden çok algoritmayı karşılaştırmak için aynı değişken olan Train_Test’i kullanıyoruz. SPSS’nin gösterildiği gibi bölüm değişkenleri oluşturması mümkündür ve oldukça kolaydır. Titanic veri setinde örnek boyutu biraz küçük olduğu için Eğitim Örneği için %70’i seçtiğimizi unutmayın. Bu zorlukla karşılaşıldığında, tıpkı Train_Test değişkeninde yaptığımız gibi, genellikle Eğitim Örneğinin bir miktar artırılması önerilir.
İkinci CRT ağacıyla aynı ayarlarla yeniden çalıştırıldığında elde edilen sonuçlar, Test doğruluğu için %80,8, Eğitim doğruluğu için %81,1’den daha düşük bir değer gösterir. Ağacı oluşturma adımları yeniden gösterilmez, ancak Risk sonuçları gösterilir.
Daha yüksek Tren doğruluğuna sahip bu model, daha yüksek Test doğruluğundan daha tipiktir. Bu bölümde birkaç kez gördüğümüz gibi, daha yüksek Test doğruluğu elde etmek imkansız değildir, ancak model daha yaygındır.
Başka bir seçenek fark etmiş olabilirsiniz. Bu seçeneği kullanarak analizimizi tekrarlamayacak olsak da, çapraz doğrulama aşağıdaki şekilde çalışır. Çapraz doğrulama, örneği bir dizi alt örneğe veya “katlara” böler.
Varsayılan değer 10’dur, ancak en fazla 25 örnek kat belirtebilirsiniz. Her seferinde farklı bir kat alıkonulur. Örneğin, varsayılan olarak 10’u seçerseniz, ilk ağaç, ağacı oluşturmak için verilerin %90’ını ve test verileri olarak %10’unu (ilk %10) kullanır. Çapraz doğrulama, çıktıda tek bir son ağaç modeli ortaya çıkarır. Çıktıdaki risk, tüm ağaçların ortalama riskidir.
Puanlama Sihirbazı
Puanlama Sihirbazını göstermek için, modelimizi gösterildiği gibi bir XML dosyası olarak kaydedeceğiz. Sadece bir puanlama yöntemi gösterecek olsak da aslında çok sayıda seçenek var. Örneğin, TREES prosedürü (karar ağaçları oluşturmak için SPSS Sözdizimi komutu), diğer puanlama bağlamlarında faydalı olabilecek kuralları kaydetmek için bir dizi başka format sunar.
TREE prosedürünün RULES alt komutu, SQL ifadeleri oluşturmanıza izin verir. SPSS Sözdiziminde yeniyseniz, SPSS Sözdizimine girişten başlayarak bölümleri okumak isteyeceksiniz. SPSS Sözdiziminde bulunan ancak menülerde bulunmayan SQL kuralları seçeneği gibi özellikleri bulmak nadir değildir.
Ekran çözünürlüğü ayarlama Windows 10 Ekran çözünürlüğü değişmiyor Ekran çözünürlüğü değiştirme Ekran çözünürlüğü kaç olmalı Ekran çözünürlüğü Nedir Ekran çözünürlüğünü 1920X1080 yapma Nvidia ekran çözünürlüğü ayarlama Windows 7 ekran çözünürlüğü Sorunu