{"id":4679,"date":"2026-08-13T14:50:31","date_gmt":"2026-08-13T12:50:31","guid":{"rendered":"https:\/\/ellistat.com\/?post_type=guide-dutilisateur&p=4679"},"modified":"2026-08-13T14:50:31","modified_gmt":"2026-08-13T12:50:31","slug":"modell-keszitese","status":"publish","type":"guide-dutilisateur","link":"https:\/\/ellistat.com\/hu\/guide-dutilisateur\/construire-un-modele\/","title":{"rendered":"Modell k\u00e9sz\u00edt\u00e9se"},"content":{"rendered":"

1. A g\u00e9pi tanul\u00e1s modellje \u00e9s a hozz\u00e1 tartoz\u00f3 r\u00e1cs<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Egy projekt annyi modellek<\/strong> amennyire sz\u00fcks\u00e9ges, a lap tetej\u00e9n f\u00fcl\u00f6k form\u00e1j\u00e1ban jelennek meg, \u00e9s egy \u00ab+\u00bb gombbal lehet \u00fajat l\u00e9trehozni. Minden sablonnak van neve, \u00e9s a r\u00e1csot jel\u00f6li<\/strong> amelyet \u00fczemeltet, \u00e9s amelyet k\u00f6zvetlen\u00fcl a neve alatt v\u00e1lasztott ki.<\/p>\n\n\n\n

\u26a0\ufe0f A sablon r\u00e1cs\u00e1nak m\u00f3dos\u00edt\u00e1sa vissza\u00e1ll\u00edtja az X, Y \u00e9s a tesztvonalak \u00e9rt\u00e9keit<\/strong>. Ez sz\u00e1nd\u00e9kos: egy m\u00e1sik r\u00e1cs oszlopainak nem kell egyezni\u00fck. K\u00e9t adatsor \u00f6sszehasonl\u00edt\u00e1s\u00e1hoz hozzon l\u00e9tre k\u00e9t modellt.<\/p>\n\n\n\n

2. Az X \u00e9s az Y kiv\u00e1laszt\u00e1sa<\/h2>\n\n\n\n

A bal oldali t\u00e1bl\u00e1zat felsorolja a r\u00e1cs oszlopait, valamint k\u00e9t oszlopot, amelyekben jel\u00f6l\u0151n\u00e9gyzetek tal\u00e1lhat\u00f3k,\u00a0X<\/strong>\u00a0\u00e9s\u00a0Y<\/strong>.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  • Y<\/strong>\u00a0ez a v\u00e1rhat\u00f3 v\u00e1lasz. Jel\u00f6lje be\u00a0nevezze el a modellt<\/strong>\u00a0szerinte \u00e9s\u00a0azonnal kiv\u00e1lasztja a modell t\u00edpus\u00e1t<\/strong>\u00a0: line\u00e1ris regresszi\u00f3, ha Y mennyis\u00e9gi v\u00e1ltoz\u00f3, logisztikai regresszi\u00f3, ha min\u0151s\u00e9gi v\u00e1ltoz\u00f3. <\/li>\n\n\n\n
  • X<\/strong>\u00a0ezek a magyar\u00e1z\u00f3 t\u00e9nyez\u0151k.<\/li>\n<\/ul>\n\n\n\n

    H\u00e1rom kiv\u00e1laszt\u00e1si szab\u00e1ly, amit \u00e9rdemes ismerni:<\/p>\n\n\n\n

      \n
    • egy oszlop\u00a0\u00e1lland\u00f3<\/strong>\u00a0nem lehet X: a mez\u0151je ki van kapcsolva, mivel v\u00e1ltoz\u00e1s hi\u00e1ny\u00e1ban semmilyen hat\u00e1s nem becs\u00fclhet\u0151 meg; ; <\/li>\n\n\n\n
    • csak a k\u00f6vetkez\u0151 oszlopok\u00a01. pr\u00f3ba<\/strong>\u00a0X-ben ker\u00fclnek felaj\u00e1nl\u00e1sra; ; <\/li>\n\n\n\n
    • Egy oszlop nem lehet egyszerre X \u00e9s Y: ha az egyiket bejel\u00f6lj\u00fck, a m\u00e1sik jel\u00f6l\u00e9se t\u00f6rl\u0151dik.<\/li>\n<\/ul>\n\n\n\n

      3. A sablon t\u00edpus\u00e1nak kiv\u00e1laszt\u00e1sa<\/h2>\n\n\n\n

      A t\u00edpusok list\u00e1ja Y jelleg\u00e9t\u0151l f\u00fcgg.<\/p>\n\n\n\n

      \"\"<\/figure>\n\n\n\n

      Y mennyis\u00e9gi<\/strong><\/p>\n\n\n\n

      T\u00edpus<\/strong><\/td>Mit ny\u00fajt<\/strong><\/td><\/tr><\/thead>
      Line\u00e1ris regresszi\u00f3<\/strong><\/td>A referencia-modell: olvashat\u00f3 egy\u00fctthat\u00f3k, p-\u00e9rt\u00e9kek, R\u00b2. Ezt haszn\u00e1ljuk a k\u00f6vetkez\u0151kre: meg\u00e9rteni<\/em>.<\/td><\/tr>
      PLS-regresszi\u00f3<\/strong><\/td>Sz\u00e1mos, egym\u00e1ssal \u00f6sszef\u00fcgg\u0151 X-v\u00e1ltoz\u00f3 eset\u00e9n, amikor a klasszikus regresszi\u00f3 instabill\u00e1 v\u00e1lik.<\/td><\/tr>
      K-OPLS-regresszi\u00f3<\/strong><\/td>A PLS kernel-v\u00e1ltozata: a nemline\u00e1ris \u00f6sszef\u00fcgg\u00e9seket is figyelembe veszi.<\/td><\/tr>
      Gauss-eloszl\u00e1s<\/strong><\/td>Rugalmas interpol\u00e1ci\u00f3 a k\u00f6vetkez\u0151vel: konfidenciaintervallum<\/strong> minden ponton. Kiv\u00e1l\u00f3an teljes\u00edt kis adatmennyis\u00e9g eset\u00e9n is.<\/td><\/tr>
      Neur\u00e1lis h\u00e1l\u00f3zat<\/strong><\/td>T\u00f6bbr\u00e9teg\u0171 perceptron: rendk\u00edv\u00fcl nemline\u00e1ris \u00f6sszef\u00fcgg\u00e9sek, az \u00e9rtelmezhet\u0151s\u00e9g rov\u00e1s\u00e1ra.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Y min\u0151s\u00e9gi<\/strong>\u00a0= m\u00e1r nem egy \u00e9rt\u00e9ket j\u00f3solunk meg, hanem egy\u00a0oszt\u00e1ly<\/strong>\u00a0:<\/p>\n\n\n\n

      T\u00edpus<\/strong><\/td>Mit ny\u00fajt<\/strong><\/td><\/tr><\/thead>
      Logisztikus regresszi\u00f3<\/strong><\/td>Egy\u00fctthat\u00f3k \u00e9s p-\u00e9rt\u00e9kek, ak\u00e1rcsak a line\u00e1ris regresszi\u00f3 eset\u00e9ben. A besorol\u00e1shoz haszn\u00e1lt referencia-modell.<\/td><\/tr>
      D\u00f6nt\u00e9si fa<\/strong><\/td>Egy\u00e9rtelm\u0171 szab\u00e1lyok, amelyek k\u00f6zvetlen\u00fcl \u00e1t\u00fcltethet\u0151k m\u0171helyi utas\u00edt\u00e1sokk\u00e1.<\/td><\/tr>
      V\u00e9letlenszer\u0171 erd\u0151<\/strong><\/td>Tengelyrendszer: pontosabb, de kev\u00e9sb\u00e9 \u00e1ttekinthet\u0151.<\/td><\/tr>
      (SVM) T\u00e1mogat\u00f3 vektoros g\u00e9p<\/strong><\/td>\u00d6sszetett elv\u00e1laszt\u00f3 hat\u00e1rok.<\/td><\/tr>
      (KNN) K legk\u00f6zelebbi szomsz\u00e9dai<\/strong><\/td>Oszt\u00e1lyoz\u00e1s az ismert esetekhez val\u00f3 hasonl\u00f3s\u00e1g alapj\u00e1n.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      K\u00e9t t\u00edpus\u00fa ember mag\u00e1t\u00f3l elt\u0171nik, ha nem igyekszik:<\/p>\n\n\n\n

        \n
      • a\u00a0gauss-eloszl\u00e1s<\/strong>\u00a0X-et k\u00f6vetel\u00a0mindegyik mennyis\u00e9gi<\/strong>\u00a0\u00e9s legfeljebb\u00a050 sor<\/strong>\u00a0a tanul\u00e1si f\u00e1zis ut\u00e1n a sz\u00e1m\u00edt\u00e1si k\u00f6lts\u00e9gek az egekbe sz\u00f6knek; ; <\/li>\n\n\n\n
      • a\u00a0K-OPLS-regresszi\u00f3<\/strong>\u00a0a nagy t\u00e1bl\u00e1zatokban elt\u0171nik (ha a kiv\u00e1lasztott oszlopokban t\u00f6bb mint 2 000 \u00e9rt\u00e9k szerepel).<\/li>\n<\/ul>\n\n\n\n

        \ud83d\udca1 Kezd\u00e9s mindig<\/strong> line\u00e1ris vagy logisztikus regresszi\u00f3val, m\u00e9g akkor is, ha nemline\u00e1ris viszonyra gyanakodunk. Ez p-\u00e9rt\u00e9keket, R\u00b2-\u00e9rt\u00e9ket \u00e9s \u00e9rtelmezhet\u0151 egy\u00fctthat\u00f3kat ad: ebb\u0151l el\u00e9g ahhoz, hogy megtudjuk melyek<\/em> Ezek a t\u00e9nyez\u0151k fontosak. A rugalmasabb modellek n\u00e9ha pontosabb el\u0151rejelz\u00e9seket adnak, de nem adnak v\u00e1laszt arra a k\u00e9rd\u00e9sre, hogy \u00abmire kell beavatkozni?\u00bb.<\/p>\n\n\n\n

        4. Be\u00e1ll\u00edt\u00e1sok<\/h2>\n\n\n\n
        \"\"<\/figure>\n\n\n\n

        A modell t\u00edpusa alatt a\u00a0Be\u00e1ll\u00edt\u00e1sok<\/strong>\u00a0bemutatja a kiv\u00e1lasztott t\u00edpusra jellemz\u0151 be\u00e1ll\u00edt\u00e1sokat (maxim\u00e1lis m\u00e9lys\u00e9g \u00e9s minim\u00e1lis egyedek sz\u00e1ma laponk\u00e9nt egy fa eset\u00e9ben, f\u00e1k sz\u00e1ma \u00e9s v\u00e1ltoz\u00f3k ar\u00e1nya egy erd\u0151 eset\u00e9ben, gamma \u00e9s cost egy SVM eset\u00e9ben, tanul\u00e1si ar\u00e1ny, az iter\u00e1ci\u00f3k sz\u00e1ma, a regulariz\u00e1ci\u00f3 \u00e9s a rejtett r\u00e9teg m\u00e9rete egy neur\u00e1lis h\u00e1l\u00f3zat eset\u00e9ben, valamint a komponensek sz\u00e1ma a PLS eset\u00e9ben).<\/p>\n\n\n\n

        \u26a0\ufe0f Ezeknek a be\u00e1ll\u00edt\u00e1soknak \u00e9sszer\u0171 alap\u00e9rtelmezett \u00e9rt\u00e9keik vannak. Ha ezeket m\u00f3dszer n\u00e9lk\u00fcl m\u00f3dos\u00edtjuk, az a k\u00f6vetkez\u0151h\u00f6z vezet: t\u00falbe\u00e1ll\u00edtani<\/strong> : egy olyan modell, amely t\u00f6k\u00e9letesen reproduk\u00e1lja a tanul\u00e1si adatokat, de minden \u00faj darabn\u00e1l hib\u00e1zik. Ez a f\u00fcl Modell\/Megfigyel\u00e9s<\/strong> \u00e9s a teszt sorok, amelyek megmutatj\u00e1k, nyert\u00e9l-e vagy vesztett\u00e9l.<\/p>\n\n\n\n

        5. A sablon felt\u00e9telei<\/h2>\n\n\n\n

        Egy regresszi\u00f3s elemz\u00e9sn\u00e9l a\u00a0Egy\u00fctthat\u00f3k<\/strong>\u00a0nem csup\u00e1n a sablont olvassa el: itt t\u00f6rt\u00e9nik a\u00a0\u00f6ssze\u00e1ll\u00edtja<\/strong>. A kifejez\u00e9sv\u00e1laszt\u00f3 seg\u00edts\u00e9g\u00e9vel a f\u0151 effektusokhoz hozz\u00e1adhat\u00f3k:<\/p>\n\n\n\n

        \"\"<\/figure>\n\n\n\n
          \n
        • a\u00a0m\u00e1sodfok\u00fa kifejez\u00e9sek<\/strong>\u00a0: egy t\u00e9nyez\u0151 n\u00e9gyzete, a g\u00f6rb\u00fclet kifejez\u00e9s\u00e9re. Csak a k\u00e9tn\u00e9l t\u00f6bb szinttel rendelkez\u0151 mennyis\u00e9gi t\u00e9nyez\u0151k eset\u00e9ben alkalmazhat\u00f3: k\u00e9t szint eset\u00e9n a n\u00e9gyzet nem k\u00fcl\u00f6nb\u00f6ztethet\u0151 meg az \u00e1lland\u00f3t\u00f3l; ;<\/li>\n\n\n\n
        • a\u00a0k\u00f6lcs\u00f6nhat\u00e1sok<\/strong>\u00a0: k\u00e9t t\u00e9nyez\u0151 szorzata; ; <\/li>\n\n\n\n
        • a\u00a0\u00e1lland\u00f3<\/strong>, amelyet adott esetben elt\u00e1vol\u00edthatunk a modellb\u0151l.<\/li>\n<\/ul>\n\n\n\n

          Az egy\u00fctthat\u00f3k t\u00e1bl\u00e1zata t\u00e9telenk\u00e9nt a k\u00f6vetkez\u0151ket tartalmazza: a\u00a0egy\u00fctthat\u00f3<\/strong>, az\u2019szabv\u00e1nyos hiba<\/strong>, a\u00a0statisztika<\/strong>, a\u00a0p-\u00e9rt\u00e9k<\/strong>, a k\u00f6vetkeztet\u00e9s\u00a0jelent\u0151s<\/strong>\u00a0\u00e9s a\u00a0VIF<\/strong>. A fenti t\u00e1bl\u00e1zatban szerepel a modell standard hib\u00e1ja, a\u00a0n (ddl)<\/strong>a\u00a0R\u00b2<\/strong>\u00a0\u00e9s a\u00a0Korrig\u00e1lt R\u00b2<\/strong>, valamint a\u00a0a modell jobb oldala<\/strong>, a teljes, m\u00e1solhat\u00f3 egyenlet.<\/p>\n\n\n\n

          \"\"<\/figure>\n\n\n\n

          \ud83d\udca1 A\u00a0VIF<\/strong>\u00a0az a biztos\u00edt\u00e9k, amelyet gyakran elfeled\u00fcnk. Ez m\u00e9ri, hogy egy v\u00e1ltoz\u00f3 mennyire \u00e1tfedi a t\u00f6bbi v\u00e1ltoz\u00f3t. A magas VIF-\u00e9rt\u00e9k azt jelenti, hogy a megjelen\u00edtett egy\u00fctthat\u00f3 nem megb\u00edzhat\u00f3 \u2013 nem az\u00e9rt, mert a t\u00e9nyez\u0151 nem hat, hanem az\u00e9rt, mert az adatok nem teszik lehet\u0151v\u00e9, hogy hat\u00e1s\u00e1t elk\u00fcl\u00f6n\u00edts\u00fck egy m\u00e1sik t\u00e9nyez\u0151 hat\u00e1s\u00e1t\u00f3l. Megfigyel\u00e9si adatok eset\u00e9ben ez gyakran el\u0151fordul; egy j\u00f3l fel\u00e9p\u00edtett k\u00eds\u00e9rleti terv eset\u00e9ben azonban nem szabad, hogy ez megt\u00f6rt\u00e9njen.<\/p>\n\n\n\n

          Egy kifejez\u00e9st \u00fagy lehet t\u00f6r\u00f6lni, hogy vagy elt\u00e1vol\u00edtjuk a modell kifejez\u00e9seinek t\u00e1bl\u00e1zat\u00e1b\u00f3l, vagy r\u00e1kattintunk a \u00abT\u00f6rl\u00e9s\u00bb gombra.\u00bb<\/p>\n\n\n\n

          Az automatikus elemz\u00e9s<\/strong> k\u00e9t kifejez\u00e9skiv\u00e1laszt\u00e1si strat\u00e9gi\u00e1t javasol:<\/p>\n\n\n\n

            \n
          • El\u0151re<\/strong>\u00a0: induljunk ki az \u00fcres sablonb\u00f3l, \u00e9s adjuk hozz\u00e1 egyenk\u00e9nt a sz\u00fcks\u00e9ges kifejez\u00e9seket; ; <\/li>\n\n\n\n
          • Vissza<\/strong>\u00a0: induljunk ki a teljes modellb\u0151l, \u00e9s t\u00e1vol\u00edtsuk el a felesleges tagokat.<\/li>\n<\/ul>\n\n\n\n

            A gomb Legjobb alcsoport<\/strong> m\u00e9g tov\u00e1bb megy: felsorolja a kifejez\u00e9sek kombin\u00e1ci\u00f3it eg\u00e9szen egy a kifejez\u00e9sek maxim\u00e1lis sz\u00e1ma<\/strong> amit be\u00e1ll\u00edt, azt jelen\u00edti meg regresszi\u00f3k sz\u00e1ma<\/strong> hogy ez mit jelent, \u00e9s az eredm\u00e9nyeket az R\u00b2 \u00e9s a korrig\u00e1lt R\u00b2 \u00e9rt\u00e9kek szerint sorba rendezi. Minden jel\u00f6ltet egy kattint\u00e1ssal lehet alkalmazni.<\/p>\n\n\n\n

            \u26a0\ufe0f A kifejez\u00e9sek automatikus kiv\u00e1laszt\u00e1sa \u00e9rv\u00e9nytelen\u00edti a p-\u00e9rt\u00e9keket<\/strong> szigor\u00fa \u00e9rtelemben v\u00e9ve: sz\u00e1mos modellt kipr\u00f3b\u00e1ltunk, \u00e9s a legjobbat v\u00e1lasztottuk ki, amit a p-\u00e9rt\u00e9k sz\u00e1m\u00edt\u00e1sa nem vesz figyelembe. Az eredm\u00e9ny tov\u00e1bbra is kiv\u00e1l\u00f3 kiindul\u00e1si pont, de az \u00edgy kapott modell \u00faj adatok alapj\u00e1n meger\u0151s\u00edti<\/strong>, nem pedig azokr\u00f3l, amelyek alapj\u00e1n kiv\u00e1lasztott\u00e1k.<\/p>\n\n\n\n

            Min\u0151s\u00e9gi t\u00e9nyez\u0151k eset\u00e9n kiv\u00e1laszthat\u00f3 a referencia-m\u00f3d (amely az \u00e1lland\u00f3ban szerepel). A referencia-m\u00f3d nem jelenik meg a Student-t\u00e1bl\u00e1zatban.<\/p>\n\n\n\n

            6. Az eredm\u00e9nyek megtekint\u00e9se<\/h2>\n\n\n\n

            A k\u00e9perny\u0151 jobb oldal\u00e1n a eredm\u00e9nyek lapokban jelennek meg. Az els\u0151 lapok a modellt\u0151l f\u00fcggenek, a t\u00f6bbi mindig l\u00e1that\u00f3.<\/p>\n\n\n\n

            A modellhez tartoz\u00f3 lapok<\/strong><\/p>\n\n\n\n

            F\u00fcl<\/strong><\/td>Mikor jelenik meg<\/strong><\/td><\/tr><\/thead>
            Taguchi<\/strong><\/td>Az Ellistat felismerte az adatokban a Taguchi-tervet, \u00e9s az Y v\u00e1ltoz\u00f3 mennyis\u00e9gi. Jelen\u00edtse meg az adott tervre vonatkoz\u00f3 elemz\u00e9st.<\/td><\/tr>
            T\u00f6bbszint\u0171<\/strong><\/td>Az adatok erre alkalmasak: hat\u00e1sok \u00e9s a kifejez\u00e9sek jelent\u0151s\u00e9ge<\/strong> t\u00f6bbszint\u0171 t\u00e9nyez\u0151k alapj\u00e1n.<\/td><\/tr>
            Egy\u00fctthat\u00f3k<\/strong><\/td>Line\u00e1ris vagy logisztikus regresszi\u00f3 (l\u00e1sd az 5. \u00a7-t).<\/td><\/tr>
            Be\u00e1ll\u00edt\u00e1sok<\/strong><\/td>PLS, K-OPLS, gauss-elj\u00e1r\u00e1s, neur\u00e1lis h\u00e1l\u00f3zat, fa, erd\u0151, SVM, KNN \u2014 a t\u00edpusra jellemz\u0151 diagnosztikai m\u00f3dszerek.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            Gyakori lapok<\/strong><\/p>\n\n\n\n

            F\u00fcl<\/strong><\/td>Mit \u00e1br\u00e1zol<\/strong><\/td><\/tr><\/thead>
            Modell\/Megfigyel\u00e9s<\/strong><\/td>El\u0151rejelz\u00e9s \u00e9s t\u00e9nyleges \u00e9rt\u00e9k. Egy kvalitat\u00edv Y-tenzork\u00e9nt ez a konf\u00fazi\u00f3s m\u00e1trix<\/strong>.<\/td><\/tr>
            Hisztogram<\/strong><\/td>Az eloszl\u00e1s a kvantitat\u00edv Y-v\u00e1ltoz\u00f3n.<\/td><\/tr>
            Marad\u00e9kok<\/strong><\/td>Soronk\u00e9nti r\u00e9szletek: megfigyelt \u00e9rt\u00e9k, el\u0151rejelz\u00e9s, elt\u00e9r\u00e9s \u00e9s a tesztcsoportokhoz val\u00f3 tartoz\u00e1s.<\/td><\/tr>
            El\u0151rejelz\u00e9s<\/strong><\/td>Adja meg az X \u00e9rt\u00e9keit, \u00e9s olvassa el a becs\u00fclt eredm\u00e9nyt.<\/td><\/tr>
            3D<\/strong><\/td>M\u00e1r 2 X<\/strong> : a modell \u00e9rz\u00e9kenys\u00e9gi ter\u00fclete.<\/td><\/tr>
            5D<\/strong><\/td>M\u00e1r 4 X<\/strong> : ugyanaz az \u00e9rtelmez\u00e9s, k\u00e9t tov\u00e1bbi t\u00e9nyez\u0151vel, amelyeket a sz\u00edn \u00e9s a m\u00e9ret jelen\u00edtenek meg.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            \ud83d\udca1 A \u201eModell\/Megjegyz\u00e9s\u201d az egyetlen f\u00fcl, amely a modellt \u00e9rt\u00e9keli.<\/strong> A pontoknak az \u00e1tl\u00f3n kell elhelyezkedni\u00fck, \u00e9s ami a legfontosabb: a tesztvonalaknak is ehhez kell igazodniuk<\/strong>. Az a modell, amely a tanul\u00e1si adatait t\u00f6k\u00e9letesen el\u0151re jelzi, de a tesztsorokat elv\u00e9ti, nem tanult semmit: csup\u00e1n memoriz\u00e1lt. Ez az egyetlen hiba, ami sz\u00e1m\u00edt, \u00e9s az R\u00b2-\u00e9rt\u00e9k ezt nem veszi figyelembe.<\/p>\n\n\n\n

            7. Taguchi<\/h2>\n\n\n\n

            K\u00e9t szint\u0171 k\u00eds\u00e9rleti terv eset\u00e9n a Taguchi-t\u00e1bl\u00e1zat az \u00f6sszes oszlopra vonatkoz\u00f3 hat\u00e1sdiagramot tartalmazza.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Egy interakci\u00f3 kijel\u00f6l\u00e9se vagy kijel\u00f6l\u00e9s\u00e9nek megsz\u00fcntet\u00e9se<\/strong>. Ha r\u00e1kattintunk a piros interakci\u00f3 nev\u00e9re, az kijel\u00f6l\u00e9sre ker\u00fcl, \u00e9s z\u00f6ldre v\u00e1lt. Ugyan\u00edgy, ha r\u00e1kattintunk a z\u00f6ld n\u00e9vre, az pirosra v\u00e1lt. A kijel\u00f6lt interakci\u00f3 megjelen\u00edteti a hozz\u00e1 tartoz\u00f3 interakci\u00f3s grafikont. Az x-tengelyt a k\u00e9k gombra kattintva lehet megv\u00e1ltoztatni.<\/p>\n\n\n\n

            8. Modell \/ Megfigyel\u00e9s<\/h2>\n\n\n\n

            Ez a grafikon k\u00fcl\u00f6nb\u00f6z\u0151 form\u00e1kban szeml\u00e9lteti a modell \u00e9s a megfigyel\u00e9sek k\u00f6z\u00f6tti egyez\u00e9st. Min\u00e9l k\u00f6zelebb vannak a pontok az egyeneshez, ann\u00e1l jobban t\u00fckr\u00f6zi a modell a k\u00eds\u00e9rleti eredm\u00e9nyeket.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Egy nagyon hasznos diagram a \u201eT\u0151ke\u00e1tt\u00e9tel vs. Maradv\u00e1ny\u201d diagram. A pontoknak a z\u00f6ld tartom\u00e1nyban kell lenni\u00fck.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Ha egy pont lefel\u00e9 vagy felfel\u00e9 a piros tartom\u00e1nyban van, az a v\u00e1laszokkal kapcsolatos probl\u00e9m\u00e1ra utal. Az egyik v\u00e1lasz nem illeszkedik a modellbe (kiugr\u00f3 \u00e9rt\u00e9k?).<\/p>\n\n\n\n

            Ha egy pont jobbra a piros tartom\u00e1nyban van, akkor a probl\u00e9ma az X-tengelyen van. Az egyik tesztvonal elt\u00e9r a t\u00f6bbit\u0151l (p\u00e9ld\u00e1ul az X \u00e9rt\u00e9ke az \u00f6sszes vonalon 5 \u00e9s 10 k\u00f6z\u00f6tt v\u00e1ltozik, kiv\u00e9ve egyet, ahol X = 20).<\/p>\n\n\n\n

            9. A marad\u00e9k\u00e9rt\u00e9kek hisztogramja<\/h2>\n\n\n\n

            Adja meg a marad\u00e9k\u00e9rt\u00e9kek hisztogramj\u00e1t \u00e9s a norm\u00e1lis eloszl\u00e1sra vonatkoz\u00f3 elemz\u00e9st<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Ezen a lapon tal\u00e1lhat\u00f3 a t\u00e1bl\u00e1zat a m\u00e9rt \u00e9s az el\u0151re jelzett \u00e9rt\u00e9kekkel, valamint a marad\u00e9k\u00e9rt\u00e9kekkel.<\/p>\n\n\n\n

            De ebben a t\u00e1bl\u00e1zatban lehet \u00fagy d\u00f6nteni, hogy a sorok egy r\u00e9sz\u00e9t v\u00e9letlenszer\u0171en v\u00e1lasztjuk ki tesztel\u00e9sre, vagy az els\u0151ket, az utols\u00f3kat, illetve a \u201eteszt\u201d oszlopb\u00f3l v\u00e1lasztjuk ki a sorokat.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            10. El\u0151rejelz\u00e9s<\/h2>\n\n\n\n

            Ez a lap lehet\u0151v\u00e9 teszi, hogy a modell alapj\u00e1n b\u00e1rmely konfigur\u00e1ci\u00f3ra vonatkoz\u00f3an el\u0151re jelezz\u00fck a v\u00e1laszt \u00e9s annak konfidencia-intervallum\u00e1t.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            11. 3D-s \u00e9s 5D-s grafika<\/h2>\n\n\n\n

            A 3D-men\u00fc seg\u00edts\u00e9g\u00e9vel 3D-ben tekinthetj\u00fck meg a v\u00e1laszfel\u00fcletet. Kiv\u00e1lasztunk 2 X-et, majd a t\u00f6bbi X-et egy adott konfigur\u00e1ci\u00f3ban \u00e1ll\u00edtjuk be a \u00e1br\u00e1zol\u00e1s megjelen\u00edt\u00e9s\u00e9hez.<\/p>\n\n\n\n

            \"\"<\/figure>\n\n\n\n

            Ha elegend\u0151 X-t\u00e9nyez\u0151 \u00e1ll rendelkez\u00e9sre, akkor az 5D-n\u00e9zet jelenik meg, amely lehet\u0151v\u00e9 teszi, hogy Y-t 4X f\u00fcggv\u00e9ny\u00e9ben egyetlen \u00e1br\u00e1n (5 dimenzi\u00f3ban) l\u00e1ssuk.<\/p>\n\n\n\n

            Az al\u00e1bbi p\u00e9ld\u00e1ban a teljes\u00edtm\u00e9ny\/sebess\u00e9g f\u00fcgg\u00e9se 9 k\u00fcl\u00f6nb\u00f6z\u0151 def\u00f3kusz\u00e1l\u00e1si\/spot-be\u00e1ll\u00edt\u00e1s eset\u00e9n l\u00e1that\u00f3. A 3\u00d73-as r\u00e1cs helyett 5\u00d75-\u00f6s r\u00e1csot is be\u00e1ll\u00edthatunk, hogy pontosabb eredm\u00e9nyt kapjunk.<\/p>\n\n\n\n

            \"\"<\/figure>","protected":false},"featured_media":0,"menu_order":20,"template":"","meta":{"_acf_changed":true},"menu-guide-dutilisateur":[32],"class_list":["post-4679","guide-dutilisateur","type-guide-dutilisateur","status-publish","hentry","menu-guide-dutilisateur-8-ml-machine-learning"],"acf":[],"yoast_head":"\nConstruire un mod\u00e8le - Ellistat<\/title>\n<meta name=\"description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/ellistat.com\/hu\/hasznaloi-utmutato\/modell-keszitese\/\" \/>\n<meta property=\"og:locale\" content=\"hu_HU\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Construire un mod\u00e8le - Ellistat\" \/>\n<meta property=\"og:description\" content=\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\" \/>\n<meta property=\"og:url\" content=\"https:\/\/ellistat.com\/hu\/hasznaloi-utmutato\/modell-keszitese\/\" \/>\n<meta property=\"og:site_name\" content=\"Ellistat\" \/>\n<meta property=\"og:image\" content=\"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png\" \/>\n\t<meta property=\"og:image:width\" content=\"246\" \/>\n\t<meta property=\"og:image:height\" content=\"80\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Becs\u00fclt olvas\u00e1si id\u0151\" \/>\n\t<meta name=\"twitter:data1\" content=\"11 perc\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\\\/\\\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"url\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\",\"name\":\"Construire un mod\u00e8le - Ellistat\",\"isPartOf\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"image\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\"},\"thumbnailUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"datePublished\":\"2026-08-13T12:50:31+00:00\",\"description\":\"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat\",\"breadcrumb\":{\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\"},\"inLanguage\":\"hu\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"hu\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#primaryimage\",\"url\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\",\"contentUrl\":\"https:\\\/\\\/ellistat.com\\\/wp-content\\\/uploads\\\/grilleML.png\"},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Accueil\",\"item\":\"https:\\\/\\\/ellistat.com\\\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Construire un mod\u00e8le\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\\\/\\\/ellistat.com\\\/#website\",\"url\":\"https:\\\/\\\/ellistat.com\\\/\",\"name\":\"Ellistat\",\"description\":\"La suite qualit\u00e9 de l'industrie m\u00e9canique\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\\\/\\\/ellistat.com\\\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"hu\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Modell k\u00e9sz\u00edt\u00e9se \u2013 Ellistat","description":"Ismerje meg a g\u00e9pi tanul\u00e1si modell l\u00e9trehoz\u00e1s\u00e1nak l\u00e9p\u00e9seit az Ellistat Data Analysis szoftver\u00e9ben","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/ellistat.com\/hu\/hasznaloi-utmutato\/modell-keszitese\/","og_locale":"hu_HU","og_type":"article","og_title":"Construire un mod\u00e8le - Ellistat","og_description":"D\u00e9couvrez les \u00e9tapes pour construire un mod\u00e8le de Machine Learning dans le logiciel Data Analysis d'Ellistat","og_url":"https:\/\/ellistat.com\/hu\/hasznaloi-utmutato\/modell-keszitese\/","og_site_name":"Ellistat","og_image":[{"width":246,"height":80,"url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","type":"image\/png"}],"twitter_card":"summary_large_image","twitter_misc":{"Becs\u00fclt olvas\u00e1si id\u0151":"11 perc"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","url":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/","name":"Modell k\u00e9sz\u00edt\u00e9se \u2013 Ellistat","isPartOf":{"@id":"https:\/\/ellistat.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"image":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage"},"thumbnailUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","datePublished":"2026-08-13T12:50:31+00:00","description":"Ismerje meg a g\u00e9pi tanul\u00e1si modell l\u00e9trehoz\u00e1s\u00e1nak l\u00e9p\u00e9seit az Ellistat Data Analysis szoftver\u00e9ben","breadcrumb":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb"},"inLanguage":"hu","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/"]}]},{"@type":"ImageObject","inLanguage":"hu","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#primaryimage","url":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png","contentUrl":"https:\/\/ellistat.com\/wp-content\/uploads\/grilleML.png"},{"@type":"BreadcrumbList","@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Accueil","item":"https:\/\/ellistat.com\/"},{"@type":"ListItem","position":2,"name":"Construire un mod\u00e8le"}]},{"@type":"WebSite","@id":"https:\/\/ellistat.com\/#website","url":"https:\/\/ellistat.com\/","name":"Ellistat","description":"A min\u0151s\u00e9gbiztos\u00edt\u00e1si csomag a g\u00e9pipar sz\u00e1m\u00e1ra","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/ellistat.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"hu"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/guide-dutilisateur\/4679","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/guide-dutilisateur"}],"about":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/types\/guide-dutilisateur"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/media?parent=4679"}],"wp:term":[{"taxonomy":"menu-guide-dutilisateur","embeddable":true,"href":"https:\/\/ellistat.com\/hu\/wp-json\/wp\/v2\/menu-guide-dutilisateur?post=4679"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}