L'action dtreePrune du package decisionTree permet de réduire la complexité d'un arbre de décision préalablement entraîné. En supprimant les sections de l'arbre qui apportent peu de pouvoir prédictif, vous luttez activement contre le surapprentissage (overfittingSurapprentissage d'un modèle mémorisant le bruit des données d'entraînement au lieu des tendances, réduisant ainsi sa capacité de généralisation et sa précision sur de nouvelles observations.). D'un point de vue métier, cela garantit que votre 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). se généralisera correctement sur de nouvelles données clients ou des transactions futures, assurant ainsi une meilleure fiabilité des décisions automatisées au sein de SAS Viya.
Pourquoi l'élagage avec dtreePrune est-il vital pour la performance de vos modèles prédictifs ?
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 ?
Comment transformer un modèle élagué en un actif industriel prêt pour la production ?
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 ?
Peut-on mesurer l'impact de l'élagage sur l'importance des variables ?