Commande TRAIN

Type de prédiction à utiliser lors de l'entraînement d'apprentissage d'un modèle prédictif :

• CLASSIFIER utiliser des algorithmes de classification pour entraîner un modèle

  Utilisez la classification si vous souhaitez prédire à quelle classe ou catégorie appartiennent les enregistrements.

• REGRESSOR utiliser des algorithmes de régression pour entraîner un modèle

  Utilisez la régression si vous souhaitez prédire les valeurs numériques associées aux enregistrements

  .

Un ou plusieurs champs d'entrée d'entraînement de l'apprentissage.

Les champs peuvent être de type caractère, numérique ou logique. Les champs multiples doivent être séparés par des espaces.

Champ que le modèle est en train d'apprendre à prédire en se basant sur les champs d'entrée de l'entraînement de l'apprentissage.

Les différents types de prédiction (classification ou régression) fonctionnent avec différents types de données de champs :

Mesure à utiliser lors de la notation (calibrage et classement) des modèles générés.

Le modèle généré ayant la meilleure valeur pour cette mesure est conservé, et les autres modèles sont abandonnés.

Un sous-ensemble différent de mesures est valide selon le type de prédiction que vous utilisez (classification ou régression) :

Temps total en minutes à consacrer à l'entraînement de l'apprentissage et à l'optimisation d'un modèle prédictif.

L'entraînement de l'apprentissage et l'optimisation impliquent de rechercher dans différentes configurations de pipeline (différentes combinaisons de modèles, de préprocesseurs et d'hyperparamètres).

Durée d'exécution maximale en minutes par évaluation de modèle.

Nom du fichier de modèle sorti par le processus d'entraînement de l'apprentissage.

Le fichier de modèle contient le modèle le mieux adapté au jeu de données d'entraînement de l'apprentissage. Vous saisirez le modèle dans la commande PREDICT pour générer des prédictions sur un nouvel ensemble de données inédit.

Indiquez le nom_modèle sous forme de chaîne entre guillemets. Par exemple : TO "Prédiction_par_défaut_prêt"

Vous pouvez spécifier l'extension de fichier *.model ou laisser Analytics l'indiquer automatiquement.

Par défaut, le fichier de modèle est enregistré dans le dossier contenant le projet Analytics.

Utilisez un chemin de fichier absolu ou relatif pour enregistrer le fichier de modèle dans un autre dossier existant :

• TO "C:\Prédiction_par_défaut_prêt"
• TO "Sortie Entraînement ML\Prédiction_par_défaut_prêt.model"

Nom de la table d'évaluation du modèle sortie par le processus d'entraînement de l'apprentissage.

La table d'évaluation du modèle contient deux types d'informations différentes :

• Indicateur de performance/Mesure pour les mesures de classification ou de régression, estimations quantitatives des performances prédictives du fichier de modèle sorti par le processus d'entraînement

  Des mesures différentes fournissent différents types d'estimations. Indicateur de performance identifie la mesure que vous avez indiquée avec SCORER. Mesure identifie les mesures que vous n'avez pas indiquées.

• Importance/Coefficient dans l'ordre décroissant : valeurs indiquant dans quelle mesure chaque caractéristique (prédicteur) contribue aux prédictions effectuées par le modèle

Indiquez nom_table sous forme de chaîne entre guillemets avec une extension de fichier .FIL. Par exemple : TO "Evaluation_modèle.FIL"

Par défaut, le fichier de données de table (.FIL) est enregistré dans le dossier contenant le projet Analytics.

Utilisez un chemin de fichier absolu ou relatif pour enregistrer le fichier de données dans un autre dossier existant :

• TO "C:\Evaluation_modèle.FIL"
• TO "Sortie Entraînement ML\Evaluation_modèle.FIL"

optionnel

Expression conditionnelle qui doit être vraie afin de traiter chaque enregistrement. La commande est exécutée uniquement sur les enregistrements remplissant la condition.

optionnel

Expression conditionnelle qui doit être vraie afin de traiter chaque enregistrement. La commande est exécutée jusqu'à ce que la condition soit évaluée comme fausse ou lorsque la fin de la table est atteinte.

optionnel

Le nombre d'enregistrements à traiter :

• FIRST pour commencer le traitement à partir du premier enregistrement jusqu'à ce que le nombre d'enregistrements spécifié soit atteint
• NEXT pour commencer le traitement à partir de l'enregistrement actuellement sélectionné jusqu'à ce que le nombre d'enregistrements spécifié soit atteint

Utilisez plage pour indiquer le nombre d'enregistrements à traiter.

Si vous ignorez FIRST et NEXT, tous les enregistrements sont traités par défaut.

Nombre de replis de validation croisée à utiliser pour évaluer et optimiser le modèle.

Les replis correspondent aux sous-divisions du jeu de données d'entraînement de l'apprentissage ; ils sont utilisés dans un processus de validation croisée.

Généralement, l'utilisation de 5 à 10 replis donne de bons résultats lors de l'entraînement d'apprentissage d'un modèle. Le nombre minimum de replis autorisé est 2 ; le nombre maximum est 10.

optionnel

Valeur de départ à utiliser pour lancer le générateur de nombres aléatoires dans Analytics.

Si vous omettez SEED, Analytics sélectionne aléatoirement la valeur de départ.

Spécifiez explicitement une valeur de départ et enregistrez-la si vous souhaitez reproduire le processus d'entraînement de l'apprentissage avec le même jeu de données à l'avenir.

optionnel

Entraînez et notez seulement les modèles linéaires.

Si LINEAR est omis, tous les types de modèles pertinents pour la classification ou la régression sont évalués.

optionnel

Excluez la sélection des caractéristiques et le prétraitement des données du processus d'entraînement de l'apprentissage.

La sélection des caractéristiques est la sélection automatisée des champs du jeu de données de l'entraînement qui sont les plus utiles pour optimiser le modèle prédictif. La sélection automatisée peut améliorer les performances prédictives et réduire la quantité de données nécessaires à l'optimisation des modèles.

Le prétraitement des données effectue des transformations telles que la mise à l'échelle et la normalisation du jeu de données d'entraînement afin de le rendre mieux adapté aux algorithmes d'apprentissage.