Regressão Isotônica

A operação Regressão Isotônica tem como objetivo criar um modelo de aprendizado que tenta estimar uma função monótona crescente ou decrescente de forma a minimizar a distância entre esta e os pontos observados.

Conectores

Entrada	Saída
Dados utilizados para treinar o modelo	Dados de saída e modelo do algoritmo de regressão

Tarefa

Nome da Tarefa

Aba Execução

Parâmetro	Detalhe
Atributo(s) previsor(es)	Atributo que será usado para treinamento
Atributo com o rótulo	Atributo a ser predito
Atributos com a predição	Atributo contendo a predição do modelo
Iterações máximas	Define o número máximo de iterações para a convergência do algoritmo. O seu valor padrão é 100
Regularização	Define o valor para regularizar o ajuste da função de perda do algoritmo. O seu o valor padrão é 0
Mix. para ElasticNet (entre 0 e 1)	Parâmetro de ajuste usado para a minimização da função objetivo usando uma combinação de L1 e L2. O seu valor por padrão é 0
Isotonic	Especifica o crescimento da função monótona gerada pela regressão. O seu valor padrão é Isotônica/crescente
Métrica para validação cruzada	Define a métrica utilizada dentro da validação cruzada (se aplicável) para avaliar o modelo de classificação dentro das k partições
Atributo com o número da partição (fold)	Define o atributo a ter o número da partição para realizar uma validação cruzada (se aplicável)

Aba Aparência

Aba Resultados

Definições

Isotonic

1. Isotônica/crescente: A regressão isotônica gera uma função monótona crescente.
2. Antitônica/decrescente: A regressão isotônica gera uma função monótona decrescente

Exemplo de Utilização

Objetivo: Utilizar o modelo construído pela operação Regressão Isotônica para predizer a qualidade de um vinho
Base de Dados: [Qualidade da Variante Vermelha do Vinho Verde Português][]

1. Leia a base de dados por meio da operação Ler dados.

2. Utilize a operação Divisão percentual para dividir a base de dados em treino e teste. No parâmetro Percentual, calibre-o utilizando 50% dos dados para treinar (1.ª parte) e 50% para testar (2.ª parte).

3. Na operação Regressão Isotônica, selecione “alcohol”, “chlorides”, “citric_acid”, “density”, “fixed_acidity”, “free_sulfur_dioxide”, “pH”, “residual_sugar”, “sulphates”, “total_sulfur_dioxide” e “volatile_acidity” no campo Atributo(s) previsor(es). Selecione “quality” no campo Atributo com o rótulo e preencha “resultado” no campo Atributo com a predição (novo).
   Preencha 100 no campo Iterações máximas e selecione no campo Isotonic a função Isotônica/crescente

   

4. Na operação Aplicar Modelo, selecione “alcohol”, “chlorides”, “citric_acid”, “density”, “fixed_acidity”, “free_sulfur_dioxide”, “pH”, “residual_sugar”, “sulphates”, “total_sulfur_dioxide” e “volatile_acidity” no campo Atributo(s) previsor(es) e preencha “resultado” no campo Nome do novo atributo (herdado do modelo).

5. Na operação Avaliar Modelo, selecione “resultado” no campo Atributo usado para predição. Selecione “quality” no campo Atributo usado como label e a métrica “Raiz do erro quadrático médio” como Métrica para avaliação.

6. Execute o fluxo e visualize o resultado, que neste caso está de acordo com a raiz do erro quadrático médio (Root Mean Square Error ou RMSE):
   

---

Dúvidas e/ou sugestões envie um e-mail para suporte@lemonade.org.br