Absolument. En activant le paramètre varImp, l'action recalcule l'importance de chaque variable prédictive après la réduction de l'arbre. Cette importance est généralement basée sur la réduction totale de l'indice de Gini. De plus, vous pouvez explorer les interactions complexes entre les variablesColonnes d'une table SAS contenant des données spécifiques (numériques ou caractères). Elles possèdent des attributs comme le nom, le type, la longueur, l'étiquette et le format d'affichage. en utilisant varIntImp, qui quantifie l'importance des combinaisons de facteurs (jusqu'au degré 3), offrant ainsi une vision métier transverse sur les leviers réels de performance du modèleReprésentation mathématique entraînée sur des données pour capturer des tendances, prédire des résultats ou classifier des observations via des algorithmes (Régression, Forêt aléatoire, Gradient Boosting)..
Peut-on mesurer l'impact de l'élagage sur l'importance des variables ?
Exemples pour l'action dtreePrune
Élagage par coût-complexité
Exemple simple montrant comment utiliser l'élagage par coût-complexité avec l'hyperparamètre `alpha`.
Élagage par erreur réduite avec extraction du score aStore
Cet exemple utilise une approche de validation par erreur réduite. Il évalue le modèle avec une table de validation (`table`), exige un nombre cible de feuilles (`nLeaf`), et sauvegarde le modèle optimisé au format %%aStore%% prêt à l'emploi !
Cette réponse vous a-t-elle aidé ?
À lire aussi...
Est-il possible de piloter la complexité du modèle en imposant un nombre précis de feuilles ?
Pourquoi l'élagage avec dtreePrune est-il vital pour la performance de vos modèles prédictifs ?
Comment optimiser la précision de vos arbres de régression grâce au paramètre alpha ?
Quelle est la stratégie d'élagage la plus efficace entre C4.5 et Reduced-Error ?
Comment transformer un modèle élagué en un actif industriel prêt pour la production ?