inst/help/mlRegressionRandomForest_nl.md

In jasp-stats/jaspMachineLearning: Machine Learning Module for JASP

Random Forest Regressie

Random Forest is een regressiemethode die een set beslisbomen maakt, bestaande uit een groot aantal individuele bomen die functioneren als ensemble.

Assumpties

• De target variabele is een nominale of ordinale variabele.
• De voorspellende variabelen bestaan uit continue, nominale, of ordinale variabelen.

Invoer

Invoerveld

• Target: In dit veld vult u de variabele in die voorspeld wordt.
• Voorspellers: In dit veld vult u de variabelen in die informatie geven over de target.

Tabellen

• Evaluatiemetrieken: Toon regelmatig gebruikte classificatie evaluatiemetrieken zoals gemiddelde kwadratenfout (MSE), wortel van de gemiddelde kwadratenfout (RMSE) en R2.
• Variabele van belang: Toont de gemiddelde daling van de Precisie en de totale stijging van de node purity voor alle voorspellervariabelen. Dit zijn indicatoren voor het belang van de voorspellers.

Plots

• Datasplit: Laat zien hoe de data is gesplitst in trainings- (en validatie-) en testset.
• Out-of-bag verbetering: Plot het aantal beslisbomen tegen de out-of-bag classificatie Precisieverbetering van het model. Precisie is bepaald voor de trainingsset.
• Voorspellingsvermogen: Laat de observaties van de geselecteerde testset tegen de voorspelde waarden zien.
• Gemiddelde daling van de Precisie: Toont de variabele gemiddelde daling van de Precisie van het model.
• Totale toename in knotzuiverheid: Toont de variabele totale toename van knotzuiverheid van het model.

Datasplit Voorkeuren

Holdout Testdata

• Steekproef x% van alle data: Kies een percentage om aselect een steekproef van uw data te nemen zodat de voorspellingsfout berekend kan worden. Genereert een interne indicator-variabele dat aangeeft of de observatie is meegenomen (1) of uitgesloten (0) van de testset.
• Voegt gegenereerde indicator toe aan de data: Voeg de gegenereerde testset indicator van bovenstaande optie toe aan uw dataset. Vereist een kolomnaam.
• Testset indicator: Gebruik een indicator-variabele om data te selecteren voor de testset. Deze indicator dient een kolom in uw data te zijn die enkel bestaat uit 0 (uitgesloten van de testset) en 1 (meegenomen in de testset). De data zal dan gesplitst worden in een trainingsset (en validatie- indien aangevraagd)(0), en een testset (1) volgens uw indicator.

Trainings- and Validatiedata

• Steekproef x% van validatiedata: Selecteer aselect een percentage als steekproef van de overgebleven data (na het selecteren van de testset).

Parameters Trainen

Algoritme Instellingen

• Trainingsdata per boom: Selecteer het percentage trainingsdata dat wordt gebruikt om elke individuele boom te trainen.
• Voorspellers per splitsing: Geef het aantal voorspellervariabelen die gebruikt worden binnen elke splitsing in de beslisboom.
• Schaal kenmerken: Standaardiseert de continue kenmerken in de dataset. Standaardisatie zorgt ervoor dat waarden van kenmerken van verschillende schalen in een specifieke vergelijkbare schaal vallen. Standaardisatie zorgt daardoor voor numerieke stabiliteit. JASP gebruikt de Z-score standaardisatie van een gemiddelde van 0 en een standaardafwijking van 1. Deze optie is standaard geselecteerd.
• Gebruik toevalsgenerator beginwaarde: Geeft de mogelijkheid een toevalsgenerator beginwaarde te gebruiken voor uw analyse. Een toevalsgenerator beginwaarde gebruiken, zorgt ervoor dat willekeurige processen geen invloed hebben op een analyse. Bijvoorbeeld, een toevalsgenerator beginwaarde maakt het mogelijk de analyse opnieuw te doen met dezelfde gesplitste data.

Aantal Beslisbomen

• Vast: Stelt u in staat om een eigen gespecificeerd aantal beslisbomen te gebruiken.
• Optimalisatie: Stelt u in staat om de voorspellingsfout te optimaliseren van een validatie dataset met betrekking tot het aantal beslisbomen.
• Max. aantal beslisbomen: Het maximum aantal mogelijke beslisbomen. Als standaardoptie staat dit op 100.

Voeg Voorspelde Klassen toe aan Data

Genereert een nieuwe kolom in uw dataset met de klasselabels van uw classificatie resultaat. Dit geeft u de mogelijkheid de gegenereerde klasselabels te inspecteren, classificeren, of voorspellen.

Uitvoer

Random Forest Regression Model Table

• De eerste kolom laat het aantal beslisbomen zien.
• Voorspellers per splitsing: Geef het aantal voorspellervariabelen die gebruikt worden binnen elke splitsing in de beslisboom.
• n(Train): Het aantal observaties in de trainingsset.
• n(Validatie): Het aantal observaties in de validatieset (mogelijk wanneer model is geoptimaliseerd).
• n(Test): Het aantal observaties in de testset.
• Validation MSE: De MSE van de validatieset (mogelijk wanneer model is geoptimaliseerd).
• Testset MSE: De MSE van de testset.
• OOB fout: De out-of-bag MSE van de testset.

Evaluatiemetrieken

• MSE: De gemiddelde kwadratenfout van het model.
• MSE(geschaald): De gemiddelde kwadratenfout berekend met de geschaalde doelvariabele en de geschaalde voorspellingen.
• RMSE: De wortel van de kwadratische gemiddelde fout van het model.
• MAE / MAD: De gemiddelde absolute fout van het model.
• MAPE: De gemiddelde absolute percentagefout van het model.
• R2: De proportie variabelen van een afhankelijke variabele die is uitgelegd door de onafhankelijke variabele(n).

Referenties

• James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An introduction to statistical learning. Springer New York.
• Breiman, Leo. (2001). Random forests. Machine Learning. Springer, 45(1), 5-32

R-packages

• randomForest

Voorbeeld

• Voor een dataset als voorbeeld ga naar Open --> Bibliotheek --> Machine Learning --> Studentcijfers.

jasp-stats/jaspMachineLearning documentation built on April 5, 2025, 3:52 p.m.