{"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":"2026-08-20T16:41:38","modified_gmt":"2026-08-20T14:41:38","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, X<\/strong> \u00e9s Y<\/strong>.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  • Y<\/strong> ez a v\u00e1rhat\u00f3 v\u00e1lasz. Jel\u00f6lje be nevezze el a modellt<\/strong> szerinte \u00e9s azonnal kiv\u00e1lasztja a modell t\u00edpus\u00e1t<\/strong> : 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> ezek 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 \u00e1lland\u00f3<\/strong> nem 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 1. pr\u00f3ba<\/strong> X-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> = m\u00e1r nem egy \u00e9rt\u00e9ket j\u00f3solunk meg, hanem egy oszt\u00e1ly<\/strong> :<\/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 gauss-eloszl\u00e1s<\/strong> X-et k\u00f6vetel mindegyik mennyis\u00e9gi<\/strong> \u00e9s legfeljebb 50 sor<\/strong> a tanul\u00e1si f\u00e1zis ut\u00e1n a sz\u00e1m\u00edt\u00e1si k\u00f6lts\u00e9gek az egekbe sz\u00f6knek; ; <\/li>\n\n\n\n
      • a K-OPLS-regresszi\u00f3<\/strong> a 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 Be\u00e1ll\u00edt\u00e1sok<\/strong> bemutatja 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 Egy\u00fctthat\u00f3k<\/strong> nem csup\u00e1n a sablont olvassa el: itt t\u00f6rt\u00e9nik a \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 m\u00e1sodfok\u00fa kifejez\u00e9sek<\/strong> : 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 k\u00f6lcs\u00f6nhat\u00e1sok<\/strong> : k\u00e9t t\u00e9nyez\u0151 szorzata; ; <\/li>\n\n\n\n
        • a \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 egy\u00fctthat\u00f3<\/strong>, az\u2019szabv\u00e1nyos hiba<\/strong>, a statisztika<\/strong>, a p-\u00e9rt\u00e9k<\/strong>, a k\u00f6vetkeztet\u00e9s jelent\u0151s<\/strong> \u00e9s a VIF<\/strong>. A fenti t\u00e1bl\u00e1zatban szerepel a modell standard hib\u00e1ja, a n (ddl)<\/strong>a R\u00b2<\/strong> \u00e9s a Korrig\u00e1lt R\u00b2<\/strong>, valamint a a modell jobb oldala<\/strong>, a teljes, m\u00e1solhat\u00f3 egyenlet.<\/p>\n\n\n\n

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

          \ud83d\udca1 A VIF<\/strong> az 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> : 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> : 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>\n\n\n\n

            12. Egy\u00e9b lehets\u00e9ges modellek a Y kvantitat\u00edv v\u00e1ltoz\u00f3val<\/h2>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            PLS-regresszi\u00f3<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            A PLS-regresszi\u00f3t akkor alkalmazz\u00e1k, ha az X v\u00e1ltoz\u00f3k sz\u00e1ma nagy, \u00e9s egym\u00e1ssal korrel\u00e1lnak: a klasszikus regresszi\u00f3val ellent\u00e9tben, amely t\u00e9nyez\u0151nk\u00e9nt becs\u00fcli meg az egy\u00fctthat\u00f3kat, ez a m\u00f3dszer komponenseket \u2013 az X v\u00e1ltoz\u00f3k kombin\u00e1ci\u00f3it \u2013 hoz l\u00e9tre, \u00e9s az Y v\u00e1ltoz\u00f3t ezekre regresszi\u00f3zza. A \u201eNumber of components\u201d cs\u00faszka hat\u00e1rozza meg a komponensek sz\u00e1m\u00e1t; ez az egyetlen olyan be\u00e1ll\u00edt\u00e1s, amely val\u00f3ban meghat\u00e1rozza a modell fel\u00e9p\u00edt\u00e9s\u00e9t.<\/p>\n\n\n\n

            Az R\u00b2 \u00e9s a komponensek sz\u00e1ma k\u00f6z\u00f6tti grafikon seg\u00edt a v\u00e1laszt\u00e1sban: azt a komponenssz\u00e1mot v\u00e1lasztjuk, amelyt\u0151l kezdve a g\u00f6rbe ellaposodik. A p\u00e9ld\u00e1ban a 2-r\u0151l 4 komponensre val\u00f3 \u00e1tt\u00e9r\u00e9s szinte semmilyen el\u0151nyt nem jelent \u2014 a modellt 2 komponenssel v\u00e1lasztjuk ki, 38,27 % R\u00b2-\u00e9rt\u00e9kkel \u00e9s 32,65 % korrig\u00e1lt R\u00b2-\u00e9rt\u00e9kkel, 22 szabads\u00e1gfok mellett \u00e9s 2,42842 standard hib\u00e1val.<\/p>\n\n\n\n

            A \u201eRegresszi\u00f3s egy\u00fctthat\u00f3k\u201d t\u00e1bl\u00e1zat \u2013 ak\u00e1rcsak a line\u00e1ris regresszi\u00f3 eset\u00e9ben \u2013 tartalmazza az \u00e1lland\u00f3t \u00e9s minden t\u00e9nyez\u0151h\u00f6z (nyom\u00e1s, h\u0151m\u00e9rs\u00e9klet, oper\u00e1tor (Robert), p\u00e1ratartalom) egy-egy egy\u00fctthat\u00f3t, valamint azok VIF-\u00e9rt\u00e9k\u00e9t. Itt a VIF-\u00e9rt\u00e9kek 1 k\u00f6zel\u00e9ben maradnak, ami azt jelzi, hogy a t\u00e9nyez\u0151k nem redund\u00e1nsak.<\/p>\n\n\n\n

            \u26a0\ufe0f A komponensek hozz\u00e1ad\u00e1sa mindig n\u00f6veli a tanul\u00e1si R\u00b2-\u00e9rt\u00e9ket: ez egyenesen a t\u00falilleszt\u00e9shez vezet. A megfelel\u0151 komponenssz\u00e1mot a tesztvonalak \u00e9s a \u201eModell\/Megfigyel\u00e9s\u201d f\u00fcl alapj\u00e1n kell meg\u00edt\u00e9lni, nem pedig az R\u00b2-\u00e9rt\u00e9k alapj\u00e1n.<\/p>\n\n\n\n

            KOPLS-regresszi\u00f3<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            A K-OPLS regresszi\u00f3 a PLS kernel-alap\u00fa v\u00e1ltozata: az X-v\u00e1ltoz\u00f3kat egy kernel \u00e1ltal transzform\u00e1lt t\u00e9rbe vet\u00edtj\u00fck (ebben az esetben gauss-f\u00e9le RBF-kernel, \u03c3 param\u00e9terrel), ami lehet\u0151v\u00e9 teszi olyan nemline\u00e1ris \u00f6sszef\u00fcgg\u00e9sek kimutat\u00e1s\u00e1t, amelyeket a klasszikus PLS nem vesz \u00e9szre. A \u201eStandardiser X\u201d jel\u00f6l\u0151n\u00e9gyzet bejel\u00f6l\u00e9s\u00e9vel a t\u00e9nyez\u0151k a vet\u00edt\u00e9s el\u0151tt azonos sk\u00e1l\u00e1ra ker\u00fclnek.<\/p>\n\n\n\n

            K\u00e9t komponenscsal\u00e1dot \u00e1ll\u00edtunk be k\u00fcl\u00f6n-k\u00fcl\u00f6n: a predikt\u00edv komponensek (A), amelyek az Y-hez kapcsol\u00f3d\u00f3 inform\u00e1ci\u00f3t hordozz\u00e1k, \u00e9s az ortogon\u00e1lis komponensek (B), amelyek az Y-hez nem kapcsol\u00f3d\u00f3 X-v\u00e1ltoz\u00e1sokat abszorbe\u00e1lj\u00e1k. A \u201eLegjobb mag keres\u00e9se\u201d \u00e9s a \u201eLegjobb konfigur\u00e1ci\u00f3 keres\u00e9se\u201d gombok automatikusan megkeresik a \u03c3 \u00e9rt\u00e9ket \u00e9s az (A, B) p\u00e1rost.<\/p>\n\n\n\n

            A k\u00e9t R\u00b2\u2013komponensek k\u00f6z\u00f6tti grafikon arra szolg\u00e1l, hogy al\u00e1t\u00e1massza ezt a v\u00e1laszt\u00e1st. A p\u00e9ld\u00e1ban egyetlen predikt\u00edv komponens elegend\u0151, enn\u00e9l t\u00f6bb eset\u00e9n az R\u00b2 \u00e9rt\u00e9ke hirtelen zuhan, m\u00edg 3 ortogon\u00e1lis komponensig az R\u00b2 \u00e9rt\u00e9ke jelent\u0151sen emelkedik, majd ellaposodik: a kiv\u00e1lasztott konfigur\u00e1ci\u00f3 A = 1 \u00e9s B = 3, n = 25 eset\u00e9n, p = 7, egy RBF-kernel (\u03c3 = 1,88736), 1,15671-es sz\u00f3r\u00e1s \u00e9s 85,36 %-es R\u00b2-\u00e9rt\u00e9k (illesztett: 84,72 %) mellett.<\/p>\n\n\n\n

            \u26a0\ufe0f A K-OPLS sem p-\u00e9rt\u00e9keket, sem \u00e9rtelmezhet\u0151 egy\u00fctthat\u00f3kat nem ad: el\u0151rejelz\u00e9st ad, de nem magyar\u00e1z. \u00c9rt\u00e9kel\u00e9se ez\u00e9rt kiz\u00e1r\u00f3lag a \u201eModell\/Megfigyel\u00e9s\u201d f\u00fcl\u00f6n \u00e9s a tesztsorokban t\u00f6rt\u00e9nik. A megjelen\u00edtett korrig\u00e1lt R\u00b2-\u00e9rt\u00e9k r\u00e1ad\u00e1sul a kernel szabads\u00e1gfokainak k\u00f6zel\u00edt\u0151 \u00e9rt\u00e9k\u00e9n alapul (df \u2248 n \u2212 (A + 1)): ezt ink\u00e1bb mutat\u00f3k\u00e9nt kell \u00e9rtelmezni, nem pedig pontos \u00e9rt\u00e9kk\u00e9nt.<\/p>\n\n\n\n

            Neur\u00e1lis h\u00e1l\u00f3zatok<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            A neur\u00e1lis h\u00e1l\u00f3zat egy t\u00f6bbr\u00e9teg\u0171 perceptron (MLP): az X \u00e9rt\u00e9kek egy vagy t\u00f6bb rejtett neur\u00e1lis r\u00e9tegen haladnak \u00e1t, miel\u0151tt az Y \u00e9rt\u00e9ket gener\u00e1ln\u00e1k. Az \u00abArchitekt\u00fara\u00bb r\u00e9szben \u00e1ll\u00edthat\u00f3 be az aktiv\u00e1ci\u00f3s f\u00fcggv\u00e9ny (alap\u00e9rtelmez\u00e9s szerint ReLU) \u00e9s a rejtett r\u00e9tegek list\u00e1ja a \u201e+ R\u00e9teg hozz\u00e1ad\u00e1sa\u201d gombbal, majd az egyes r\u00e9tegek neuronjainak sz\u00e1ma (itt 16, majd 8). Min\u00e9l sz\u00e9lesebbek \u00e9s min\u00e9l t\u00f6bb r\u00e9teg van, ann\u00e1l rugalmasabb a modell\u2026 \u00e9s ann\u00e1l nagyobb a kock\u00e1zata annak, hogy az adatokat memoriz\u00e1lja.<\/p>\n\n\n\n

            A \u00abK\u00e9pz\u00e9s\u00bb szakasz szab\u00e1lyozza a tanul\u00e1si folyamatot: az LR a tanul\u00e1si r\u00e1ta (a p\u00e9ld\u00e1ban 1e-2, azaz \u201enagyon agressz\u00edv\u201d), az LR-tervez\u0151, amely az iter\u00e1ci\u00f3k sor\u00e1n fokozatosan cs\u00f6kkenti azt, a \u201eLot\u201d a minit\u00e9telek m\u00e9ret\u00e9t (Full-batch = az eg\u00e9sz adathalmaz minden l\u00e9p\u00e9sben), az \u201eL2\u201d a s\u00falyokat korl\u00e1toz\u00f3 regulariz\u00e1ci\u00f3t, az \u201eIter\u00e1ci\u00f3k\u201d pedig az iter\u00e1ci\u00f3k sz\u00e1m\u00e1t. A \u201eTanul\u00e1s\u201d gomb elind\u00edtja a sz\u00e1m\u00edt\u00e1st.<\/p>\n\n\n\n

            A \u201eStatisztik\u00e1k\u201d t\u00e1bl\u00e1zat tartalmazza az n, p \u00e9rt\u00e9keket, a standard hib\u00e1t, az R\u00b2-t \u00e9s a korrig\u00e1lt R\u00b2-t; a \u201eK\u00e9pz\u00e9si vesztes\u00e9g\u201d g\u00f6rbe pedig a vesztes\u00e9g (MSE) cs\u00f6kken\u00e9s\u00e9t mutatja az iter\u00e1ci\u00f3k sor\u00e1n. Egy el\u0151sz\u00f6r cs\u00f6kken\u0151, majd ellaposod\u00f3 g\u00f6rbe azt jelzi, hogy a tanul\u00e1s konverg\u00e1lt: az iter\u00e1ci\u00f3k folytat\u00e1sa m\u00e1r nem hoz tov\u00e1bbi eredm\u00e9nyt. Ha az utols\u00f3 iter\u00e1ci\u00f3ban a g\u00f6rbe m\u00e9g mindig cs\u00f6kken, az ellenkez\u0151j\u00e9t jelenti: tov\u00e1bbi iter\u00e1ci\u00f3kat kell hozz\u00e1adni.<\/p>\n\n\n\n

            \u26a0\ufe0f A p\u00e9ld\u00e1ban R\u00b2 = 100 %, a standard hiba pedig 0,00026: a h\u00e1l\u00f3zat pontosan reproduk\u00e1lja a 25 tanul\u00e1si sor\u00e1t. Ez a t\u00falilleszt\u00e9s tipikus jele, nem pedig egy j\u00f3 modell\u00e9. Csak a \u201eModell\/Megfigyel\u00e9s\u201d f\u00fcl \u00e9s a tesztsorok alapj\u00e1n lehet d\u00f6nt\u00e9st hozni; elt\u00e9r\u00e9s eset\u00e9n cs\u00f6kkentse a r\u00e9tegek m\u00e9ret\u00e9t, n\u00f6velje az L2-szab\u00e1lyoz\u00e1st, vagy cs\u00f6kkentse az iter\u00e1ci\u00f3k sz\u00e1m\u00e1t.<\/p>\n\n\n\n

            13. A kvalitat\u00edv Y-v\u00e1ltoz\u00f3val lehets\u00e9ges modellek<\/h2>\n\n\n\n

            Bin\u00e1ris logisztikus regresszi\u00f3<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            A bin\u00e1ris logisztikai regresszi\u00f3t akkor alkalmazzuk, ha az Y v\u00e1ltoz\u00f3 csak k\u00e9t \u00e9rt\u00e9ket vehet fel (jelen esetben Qualit\u00e9bin: OK \/ KO). A modell nem egy \u00e9rt\u00e9ket j\u00f3sol meg, hanem annak val\u00f3sz\u00edn\u0171s\u00e9g\u00e9t, hogy az adott kateg\u00f3ri\u00e1ba tartozik-e az \u00e9rt\u00e9k; a \u201eKoefficiens\u201d f\u00fcl teh\u00e1t a line\u00e1ris regresszi\u00f3\u00e9hoz hasonl\u00f3an \u00e9rtelmezhet\u0151, n\u00e9h\u00e1ny saj\u00e1tos mutat\u00f3val kieg\u00e9sz\u00edtve.<\/p>\n\n\n\n

            A fels\u0151 t\u00e1bl\u00e1zat hat\u00e1rozza meg a referenciakrit\u00e9riumokat: minden kvalitat\u00edv X-re (kezel\u00e9s, besz\u00e1ll\u00edt\u00f3) \u00e9s Y-ra vonatkoz\u00f3an. A referencia az a pont, amelyhez mindent viszony\u00edtanak; ez nem szerepel az egy\u00fctthat\u00f3k t\u00e1bl\u00e1zat\u00e1ban, \u00e9s ennek a v\u00e1laszt\u00e1snak a megv\u00e1ltoztat\u00e1sa megv\u00e1ltoztatja az eredm\u00e9nyek \u00e9rtelmez\u00e9s\u00e9t an\u00e9lk\u00fcl, hogy a modell megv\u00e1ltozna. Egy \u00abB\u00edzhatok-e a modellben?\u00bb felirat\u00fa s\u00e1v emellett jelzi, hogy elegend\u0151-e a legritk\u00e1bb oszt\u00e1lyhoz tartoz\u00f3 megfigyel\u00e9sek sz\u00e1ma az egyes becs\u00fclt param\u00e9terek eset\u00e9ben.<\/p>\n\n\n\n

            A statisztikai sor a line\u00e1ris regresszi\u00f3 R\u00b2-\u00e9rt\u00e9k\u00e9t helyettes\u00edti: n, ddl, a modell \u03c7\u00b2-\u00e9rt\u00e9ke \u00e9s annak p-\u00e9rt\u00e9ke (az \u00e1ltal\u00e1nos szignifikancia), a devi\u00e1ns, majd h\u00e1rom pszeudo-R\u00b2-\u00e9rt\u00e9k: McFadden, Cox & Snell, Nagelkerke. A p\u00e9ld\u00e1ban n = 180, \u03c7\u00b2 = 33,69, p-\u00e9rt\u00e9k: 2,7\u00b710\u207b\u2076: a modell inform\u00e1ci\u00f3t ny\u00fajt, m\u00e9g akkor is, ha a pszeudo-R\u00b2-\u00e9rt\u00e9kek (15,4 % \u00e9s 24,3 % k\u00f6z\u00f6tt) tov\u00e1bbra is szer\u00e9nyek.<\/p>\n\n\n\n

            A \u201eKoefficiens \u00e9s szignifikancia\u201d t\u00e1bl\u00e1zat t\u00e9telenk\u00e9nt tartalmazza: a koefficiens \u00e9rt\u00e9k\u00e9t, annak szigma-\u00e9rt\u00e9k\u00e9t, a z-statisztik\u00e1t, a p-\u00e9rt\u00e9ket, a szignifikancia meg\u00e1llap\u00edt\u00e1s\u00e1t sz\u00ednekkel jel\u00f6lve, az es\u00e9lyh\u00e1nyadot (odds ratio) a 95%-os konfidencia-intervallummal (%) \u00e9s a VIF-\u00e9rt\u00e9ket. Az es\u00e9lyh\u00e1nyados a legszeml\u00e9letesebb adat: a \u201eKezel\u00e9s (B)\u201d eset\u00e9ben a 2,66-os \u00e9rt\u00e9k azt jelenti, hogy ez a kezel\u00e9s 2,66-szoros\u00e1ra n\u00f6veli a vizsg\u00e1lt kimenetel bek\u00f6vetkez\u00e9s\u00e9nek es\u00e9ly\u00e9t az \u201eA\u201d kezel\u00e9shez k\u00e9pest.<\/p>\n\n\n\n

            \ud83d\udca1 Az es\u00e9lyh\u00e1nyados bizalmi intervalluma, amely mag\u00e1ban foglalja az 1-es \u00e9rt\u00e9ket, \u00abnem bizony\u00edtott hat\u00e1st\u00bb jelent \u2014 ez a helyzet a \u201eSzolg\u00e1ltat\u00f3\u201d (C) eset\u00e9ben is, amelynek intervalluma 0,44 \u00e9s 2,34 k\u00f6z\u00f6tt mozog. Ezzel szemben a \u201eNyom\u00e1s\u201d (OR = 1,09 egys\u00e9gre vet\u00edtve, CI 1,04\u20131,15) gyenge, de egy\u00e9rtelm\u0171 hat\u00e1st fejt ki. Mint mindig, a besorol\u00e1s min\u0151s\u00e9g\u00e9t a \u201eModell\/Megfigyel\u00e9s\u201d f\u00fcl\u00f6n tal\u00e1lhat\u00f3 konf\u00fazi\u00f3s m\u00e1trix alapj\u00e1n kell \u00e9rt\u00e9kelni, nem pedig a pszeudo-R\u00b2-\u00e9rt\u00e9kek alapj\u00e1n.<\/p>\n\n\n\n

            Multinom\u00e1lis logisztikus regresszi\u00f3<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Ha Y-nek t\u00f6bb mint k\u00e9t kateg\u00f3ri\u00e1ja van (ebben az esetben Min\u0151s\u00e9g: Rossz \/ J\u00f3 \/ Elfogadhat\u00f3), az Ellistat automatikusan multinomi\u00e1lis logisztikai regresszi\u00f3ra v\u00e1lt. Az elv ugyanaz marad, de a modell Y minden kateg\u00f3ri\u00e1j\u00e1hoz egy-egy egy\u00fctthat\u00f3-k\u00e9szletet becs\u00fcl, amelyeket mindegyik\u00e9t az oldal tetej\u00e9n kiv\u00e1lasztott referencia-kateg\u00f3ri\u00e1hoz viszony\u00edt \u2013 a p\u00e9ld\u00e1ban a Rossz kateg\u00f3ri\u00e1hoz.<\/p>\n\n\n\n

            A statisztikai sor \u00fagy olvashat\u00f3, mint a bin\u00e1ris adat, magasabb ddl-\u00e9rt\u00e9kkel, mivel t\u00f6bb param\u00e9ter van: n = 180, ddl = 10, \u03c7\u00b2 = 67,94, p-\u00e9rt\u00e9k 1,1\u00b710\u207b\u00b9\u2070, devi\u00e1ns 321,357, valamint 17,45 % (McFadden), 31,44 % (Cox & Snell) \u00e9s 35,52 % (Nagelkerke).<\/p>\n\n\n\n

            Az \u201eOszt\u00e1lyonk\u00e9nti egy\u00fctthat\u00f3k\u201d t\u00e1bl\u00e1zat az Y v\u00e1ltoz\u00f3 minden egyes \u00e9rt\u00e9kt\u00edpus\u00e1hoz egy egy\u00fctthat\u00f3\u2013p-\u00e9rt\u00e9k p\u00e1rost mutat be. Egy adott sor teh\u00e1t egy oszt\u00e1ly eset\u00e9ben szignifik\u00e1ns lehet, egy m\u00e1sikban viszont nem: A \u201eFeldolgoz\u00e1s (B)\u201d jelent\u0151sen befoly\u00e1solja annak val\u00f3sz\u00edn\u0171s\u00e9g\u00e9t, hogy az eredm\u00e9ny \u201eJ\u00f3\u201d legyen, nem pedig \u201eRossz\u201d (p = 0,0012), de nem befoly\u00e1solja annak val\u00f3sz\u00edn\u0171s\u00e9g\u00e9t, hogy \u201eElfogadhat\u00f3\u201d legyen (p = 0,118). A pozit\u00edv egy\u00fctthat\u00f3 n\u00f6veli az oszlopban szerepl\u0151 oszt\u00e1ly val\u00f3sz\u00edn\u0171s\u00e9g\u00e9t a referencia\u00e9rt\u00e9khez k\u00e9pest.<\/p>\n\n\n\n

            A \u00abT\u00e9veszm\u00e9k glob\u00e1lis tesztjei (val\u00f3sz\u00edn\u0171s\u00e9gi ar\u00e1ny)\u00bb t\u00e1bl\u00e1zat v\u00e1laszt ad az el\u0151z\u0151ben hi\u00e1nyz\u00f3 k\u00e9rd\u00e9sre: \u201ehat\u00e1ssal van-e ez a t\u00e9nyez\u0151 az \u00f6sszes oszt\u00e1lyra n\u00e9zve?\u201d. Minden tag egyedi \u03c7\u00b2-\u00e9rt\u00e9kkel \u00e9s p-\u00e9rt\u00e9kkel rendelkezik \u2013 a Nyom\u00e1s (p = 9,3\u00b710\u207b\u2077) \u00e9s a H\u0151m\u00e9rs\u00e9klet (p = 0,0003) nagyon szignifik\u00e1ns, a Besz\u00e1ll\u00edt\u00f3 szignifikanci\u00e1ja gyeng\u00e9bb (p = 0,024).<\/p>\n\n\n\n

            \ud83d\udca1 El\u0151sz\u00f6r az \u00e1ltal\u00e1nos tesztet kell figyelembe venni annak eld\u00f6nt\u00e9s\u00e9hez, hogy egy t\u00e9nyez\u0151 maradjon-e a modellben. Az oszt\u00e1lyonk\u00e9nti p-\u00e9rt\u00e9kek pedig arra szolg\u00e1lnak, hogy meg\u00e9rts\u00fck, hol fejt ki hat\u00e1st a t\u00e9nyez\u0151. El\u0151fordulhat, hogy egy t\u00e9nyez\u0151 \u00f6sszess\u00e9g\u00e9ben szignifik\u00e1ns, an\u00e9lk\u00fcl hogy b\u00e1rmelyik egyedi \u00f6sszehasonl\u00edt\u00e1sa is az lenne, \u00e9s ford\u00edtva is igaz \u2013 ez\u00e9rt is fontos, hogy mindk\u00e9t t\u00e1bl\u00e1zat rendelkez\u00e9sre \u00e1lljon.<\/p>\n\n\n\n

            D\u00f6nt\u00e9si fa<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            A d\u00f6nt\u00e9si fa az X-ekre vonatkoz\u00f3 egy sor bin\u00e1ris k\u00e9rd\u00e9s \u2013 \u00abSz\u00e1ll\u00edt\u00f3 \u2264 0,5?\u00bb, \u00abFeldolgoz\u00e1s \u2264 0,5?\u00bb \u2013 seg\u00edts\u00e9g\u00e9vel bontja az adatokat, eg\u00e9szen a levelekig, amelyek mindegyike egy el\u0151re jelzett oszt\u00e1lyt tartalmaz. Ez a men\u00fc legk\u00f6nnyebben \u00e9rtelmezhet\u0151 modellje: a gy\u00f6k\u00e9rt\u0151l egy lev\u00e9lig vezet\u0151 minden \u00fat k\u00f6zvetlen\u00fcl m\u0171helyutas\u00edt\u00e1sk\u00e9nt \u00e9rtelmezhet\u0151.<\/p>\n\n\n\n

            A \u201eBe\u00e1ll\u00edt\u00e1sok\u201d f\u00fcl\u00f6n tal\u00e1lhat\u00f3k a k\u00f6vetkez\u0151 be\u00e1ll\u00edt\u00e1sok: az oszt\u00e1si krit\u00e9rium (Gini vagy entr\u00f3pia), a maxim\u00e1lis m\u00e9lys\u00e9g, a minim\u00e1lis oszt\u00e1si m\u00e9ret (az a minim\u00e1lis egyedek sz\u00e1ma, amelyn\u00e9l egy csom\u00f3pont felbonthat\u00f3), a minim\u00e1lis lev\u00e9lm\u00e9ret \u00e9s a maxim\u00e1lis elemek sz\u00e1ma. A \u201eTanul\u00e1s\u201d gomb minden m\u00f3dos\u00edt\u00e1s ut\u00e1n \u00fajj\u00e1\u00e9p\u00edti a f\u00e1t.<\/p>\n\n\n\n

            A be\u00e1ll\u00edt\u00e1sok k\u00f6z\u00f6tt szerepel a \u201eK\u00e9pz\u00e9si pontoss\u00e1g\u201d \u2014 a helyesen besorolt egy\u00e9nek ar\u00e1nya, a p\u00e9ld\u00e1ban n = 180 \u00e9s p = 3 eset\u00e9n 49,4 % \u2014, majd a t\u00e9nylegesen kapott param\u00e9terek \u00f6sszefoglal\u00e1sa: m\u00e9lys\u00e9g 4, 6 lap, Gini-krit\u00e9rium.<\/p>\n\n\n\n

            A gr\u00e1fban minden bels\u0151 csom\u00f3pont megjelen\u00edti \u00e1llapot\u00e1t, m\u00e9lys\u00e9g\u00e9t \u00e9s szennyezetts\u00e9g\u00e9t (imp); minden lev\u00e9l, z\u00f6ld sz\u00ednnel, az n elemsz\u00e1mot, a szennyezetts\u00e9get \u00e9s a t\u00f6bbs\u00e9gi oszt\u00e1lyt annak val\u00f3sz\u00edn\u0171s\u00e9g\u00e9vel egy\u00fctt jelen\u00edti meg \u2014 p\u00e9ld\u00e1ul n = 27, Rossz (p = 0,5556). A 0-hoz k\u00f6zeli szennyezetts\u00e9g tiszta levelet, teh\u00e1t egy\u00e9rtelm\u0171 szab\u00e1lyt jelez; a magas szennyezetts\u00e9g olyan levelet jelez, ahol az oszt\u00e1lyok tov\u00e1bbra is keverednek, \u00e9s a predikci\u00f3 ott kev\u00e9ss\u00e9 biztos.<\/p>\n\n\n\n

            \u26a0\ufe0f A fa az a modell, amely a leggyorsabban t\u00falilleszt: a m\u00e9lys\u00e9g n\u00f6vel\u00e9s\u00e9vel v\u00e9g\u00fcl mindig elszigetelj\u00fck az egyes p\u00e9ld\u00e1nyokat a saj\u00e1t lapjukon, \u00e9s el\u00e9rj\u00fck a 100 %-es edz\u00e9si pontoss\u00e1got an\u00e9lk\u00fcl, hogy b\u00e1rmit is tanultunk volna. A lap minim\u00e1lis elt\u00e9r\u00e9s\u00e9nek n\u00f6vel\u00e9se \u00e9s a m\u00e9lys\u00e9g korl\u00e1toz\u00e1sa a k\u00e9t biztos\u00edt\u00e9k; a \u201eModell\/Megfigyel\u00e9s\u201d f\u00fcl\u00f6n tal\u00e1lhat\u00f3 zavar\u00f3 m\u00e1trix a teszt sorokn\u00e1l d\u00f6nt\u0151 szerepet j\u00e1tszik.<\/p>\n\n\n\n

            V\u00e9letlenszer\u0171 erd\u0151<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            A v\u00e9letlenszer\u0171 erd\u0151 nem egy f\u00e1t, hanem sz\u00e1zat \u00e9p\u00edt fel, amelyek mindegyike egy v\u00e9letlenszer\u0171 vonalh\u00faz\u00e1son (Bootstrap opci\u00f3) \u00e9s az X-ek v\u00e9letlenszer\u0171 r\u00e9szhalmaz\u00e1n alapul. A v\u00e9gs\u0151 el\u0151rejelz\u00e9s az \u00f6sszes fa t\u00f6bbs\u00e9gi szavazata. Ez a kever\u00e9s kijav\u00edtja az egyetlen fa f\u0151 hib\u00e1j\u00e1t \u2013 az instabilit\u00e1s\u00e1t \u2013, de ez a modell \u00e1ttekinthet\u0151s\u00e9g\u00e9nek rov\u00e1s\u00e1ra megy: a modellt m\u00e1r nem lehet szab\u00e1lyok sorozatak\u00e9nt \u00e9rtelmezni.<\/p>\n\n\n\n

            A \u201eBe\u00e1ll\u00edt\u00e1sok\u201d f\u00fcl\u00f6n n\u00e9gy be\u00e1ll\u00edt\u00e1s tal\u00e1lhat\u00f3: a f\u00e1k sz\u00e1ma (alap\u00e9rtelmez\u00e9s szerint 100), a maxim\u00e1lis m\u00e9lys\u00e9g (10), a laponk\u00e9nti minim\u00e1lis minta sz\u00e1ma (2) \u00e9s a \u201eBootstrap\u201d kapcsol\u00f3. A f\u00e1k sz\u00e1m\u00e1nak n\u00f6vel\u00e9se nem vezet t\u00falilleszt\u00e9shez \u2013 csup\u00e1n stabiliz\u00e1lja az el\u0151rejelz\u00e9st \u00e9s meghosszabb\u00edtja a sz\u00e1m\u00edt\u00e1st; a komplexit\u00e1st a m\u00e9lys\u00e9g \u00e9s a minim\u00e1lis minta sz\u00e1ma hat\u00e1rozza meg.<\/p>\n\n\n\n

            A fejl\u00e9c felt\u00fcnteti a k\u00e9pz\u00e9si pontoss\u00e1got \u2014 itt 97,8 % n = 180 \u00e9s p = 5 eset\u00e9n \u2014, majd a kiv\u00e1lasztott param\u00e9tereket. \u00d6sszehasonl\u00edt\u00e1sk\u00e9ppen: az ugyanazon adatokon futtatott egyfa-modell 49,4 % \u00e9rt\u00e9ket \u00e9rt el; a k\u00fcl\u00f6nbs\u00e9g j\u00f3l illusztr\u00e1lja a pontoss\u00e1g n\u00f6veked\u00e9s\u00e9t, de egy\u00fattal a kock\u00e1zatot is, mivel ez a pontoss\u00e1g a tanul\u00e1si adatokon lett m\u00e9rve.<\/p>\n\n\n\n

            A \u201eJellemz\u0151k fontoss\u00e1ga\u201d \u00e1bra az X-eket a rangsor min\u0151s\u00e9g\u00e9hez val\u00f3 hozz\u00e1j\u00e1rul\u00e1suk szerint sorolja be, a pontos \u00e9rt\u00e9keket pedig az \u00e1bra alatt felt\u00fcnteti: A \u201eNyom\u00e1s 40,91 %\u201d \u00e9s a \u201eH\u0151m\u00e9rs\u00e9klet 40,75 %\u201d jellemz\u0151k egy\u00e9rtelm\u0171en domin\u00e1lnak, a k\u00e9t \u201eSz\u00e1ll\u00edt\u00f3\u201d jellemz\u0151 k\u00f6r\u00fclbel\u00fcl t\u00edz sz\u00e1zal\u00e9kos s\u00fallyal b\u00edr, m\u00edg a \u201eFeldolgoz\u00e1s \u22123,21 %\u201d jellemz\u0151 nem j\u00e1rul hozz\u00e1 a rangsorhoz. Ez az erd\u0151 eset\u00e9ben a regresszi\u00f3k szignifikanciat\u00e1bl\u00e1zat\u00e1nak felel meg.<\/p>\n\n\n\n

            \u26a0\ufe0f A negat\u00edv vagy gyakorlatilag nulla jelent\u0151s\u00e9g azt jelenti, hogy a t\u00e9nyez\u0151 enyh\u00e9n rontja az el\u0151rejelz\u00e9st, ha kicser\u00e9lj\u00fck: a modell szempontj\u00e1b\u00f3l ez csak zajnak sz\u00e1m\u00edt. Figyelem azonban: a fontoss\u00e1g a predikt\u00edv hozz\u00e1j\u00e1rul\u00e1st m\u00e9ri, nem pedig az ok-okozati hat\u00e1st, \u00e9s k\u00e9t korrel\u00e1l\u00f3 t\u00e9nyez\u0151 megosztja egym\u00e1s k\u00f6z\u00f6tt a fontoss\u00e1got, ahelyett, hogy \u00f6sszead\u00f3dna. Ak\u00e1rcsak a d\u00f6nt\u00e9si fa eset\u00e9ben, az eredm\u00e9nyt a tesztvonalak konf\u00fazi\u00f3s m\u00e1trix\u00e1b\u00f3l lehet leolvasni.<\/p>\n\n\n\n

            SVM \u2013 T\u00e1mogat\u00f3 vektoros g\u00e9p<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Az SVM (Support Vector Machine) azt a hat\u00e1rt keresi, amely a legjobban elv\u00e1lasztja az oszt\u00e1lyokat, \u00fagy, hogy maximaliz\u00e1lja a hat\u00e1r \u00e9s a legk\u00f6zelebbi pontok \u2013 a t\u00e1mogat\u00f3 vektorok \u2013 k\u00f6z\u00f6tti t\u00e1vols\u00e1got. A kernelnek k\u00f6sz\u00f6nhet\u0151en ez a hat\u00e1r az eredeti X-t\u00e9rben nagyon \u00f6sszetett lehet, ami miatt ez a m\u00f3dszer kiv\u00e1l\u00f3 oszt\u00e1lyoz\u00f3, ha az oszt\u00e1lyokat nem egy egyenes v\u00e1lasztja el egym\u00e1st\u00f3l.<\/p>\n\n\n\n

            A \u201eKonfigur\u00e1ci\u00f3\u201d f\u00fcl\u00f6n tal\u00e1lhat\u00f3k a be\u00e1ll\u00edt\u00e1sok: a \u201eMag\u201d (itt Rbf), a \u201eC\u201d (k\u00f6lts\u00e9g), amely a besorol\u00e1si hib\u00e1k t\u0171r\u00e9s\u00e9t szab\u00e1lyozza \u2013 magas C-\u00e9rt\u00e9k szigor\u00faan k\u00f6veti az adatokat, alacsony C-\u00e9rt\u00e9k pedig hib\u00e1kat is elfogad a hat\u00e1r simas\u00e1ga \u00e9rdek\u00e9ben \u2013, a Gamma, amely meghat\u00e1rozza a mag hat\u00f3t\u00e1vols\u00e1g\u00e1t (Auto = 1\/p), a Le\u00e1ll\u00e1si t\u0171r\u00e9shat\u00e1r (aj\u00e1nlott: 1e-4), a Maxim\u00e1lis futtat\u00e1sok sz\u00e1ma (10) \u00e9s a Maxim\u00e1lis iter\u00e1ci\u00f3k sz\u00e1ma (10 000).<\/p>\n\n\n\n

            A s\u00e1v a k\u00e9pz\u00e9si pontoss\u00e1got jelzi \u2014 a p\u00e9ld\u00e1ban 57,2 %, ahol n = 180 \u00e9s p = 5 \u2014, a \u201eModellbe\u00e1ll\u00edt\u00e1sok\u201d keret pedig a t\u00e9nylegesen alkalmazott konfigur\u00e1ci\u00f3t mutatja: RBF-mag, C = 180, gamma = auto, tol = 0,0001.<\/p>\n\n\n\n

            \ud83d\udca1 A C \u00e9s a Gamma \u00e9rt\u00e9keket egy\u00fctt kell be\u00e1ll\u00edtani, \u00e9s ez a k\u00e9t be\u00e1ll\u00edt\u00e1s az egyetlen, ami igaz\u00e1n sz\u00e1m\u00edt. T\u00fal nagy Gamma-\u00e9rt\u00e9k hat\u00e1rokat hoz l\u00e9tre, amelyek minden pontot k\u00f6r\u00fclvesznek (t\u00falbe\u00e1ll\u00edt\u00e1s); t\u00fal nagy C-\u00e9rt\u00e9k ugyanazt a hat\u00e1st eredm\u00e9nyezi. Folyamatosan pr\u00f3b\u00e1lkozzon, \u00e9s figyelje a vez\u00e9rl\u00e9si pontoss\u00e1g \u00e9s a tesztvonalak k\u00f6z\u00f6tti elt\u00e9r\u00e9st, ahelyett, hogy a vez\u00e9rl\u00e9si pontoss\u00e1got pr\u00f3b\u00e1ln\u00e1 maximaliz\u00e1lni.<\/p>\n\n\n\n

            \u26a0\ufe0f Az SVM nem ad meg egy\u00fctthat\u00f3kat, p-\u00e9rt\u00e9keket, sem a t\u00e9nyez\u0151k jelent\u0151s\u00e9g\u00e9t: oszt\u00e1lyoz, de nem ad magyar\u00e1zatot. Kiz\u00e1r\u00f3lag a \u201eModell\/Megfigyel\u00e9s\u201d f\u00fcl\u00f6n tal\u00e1lhat\u00f3 konf\u00fazi\u00f3s m\u00e1trix alapj\u00e1n \u00e9rt\u00e9kelhet\u0151. Ha a c\u00e9l az, hogy megtudjuk, mire kell beavatkozni, akkor a logisztikai regresszi\u00f3 vagy a v\u00e9letlenszer\u0171 erd\u0151 jobban megfelel a k\u00e9rd\u00e9snek.<\/p>\n\n\n\n

            A KNN<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            A KNN (K legk\u00f6zelebbi szomsz\u00e9d) a legegyszer\u0171bb oszt\u00e1lyoz\u00f3: nem v\u00e9gez semmif\u00e9le illeszt\u00e9st. Egy \u00faj konfigur\u00e1ci\u00f3 el\u0151rejelz\u00e9s\u00e9hez az adatok k\u00f6z\u00fcl kiv\u00e1lasztja a k olyan sort, amelyek legink\u00e1bb hasonl\u00edtanak r\u00e1, \u00e9s ezek k\u00f6z\u00fcl a t\u00f6bbs\u00e9gi oszt\u00e1lyt veszi figyelembe. A \u00abmodell\u00bb teh\u00e1t maga az adathalmaz: innen ered az er\u0151ss\u00e9ge a m\u00e1r el\u0151fordult esetekn\u00e9l, \u00e9s gyenges\u00e9ge, amint elt\u00e9r\u00fcnk t\u0151l\u00fck.<\/p>\n\n\n\n

            A \u201eBe\u00e1ll\u00edt\u00e1sok\u201d f\u00fcl\u00f6n csak k\u00e9t be\u00e1ll\u00edt\u00e1s tal\u00e1lhat\u00f3: k szomsz\u00e9d (alap\u00e9rtelmez\u00e9s szerint 5) \u00e9s a hasonl\u00f3s\u00e1g m\u00e9r\u00e9s\u00e9hez haszn\u00e1lt t\u00e1vols\u00e1g: euklideszi, manhattani vagy Csebyshev. A fejl\u00e9c ezut\u00e1n megjelen\u00edti a tanul\u00e1si pontoss\u00e1got, a \u201eModellbe\u00e1ll\u00edt\u00e1sok\u201d keret pedig felid\u00e9zi az alkalmazott konfigur\u00e1ci\u00f3t (k = 5, euklideszi metrika).<\/p>\n\n\n\n

            A k \u00e9rt\u00e9k\u00e9nek megv\u00e1laszt\u00e1sa a zaj \u00e9s a sim\u00edt\u00e1s k\u00f6z\u00f6tti egyens\u00falyt jelenti: egy kis k-\u00e9rt\u00e9k szorosan k\u00f6veti az adatokat, \u00e9s minden egyes pontra reag\u00e1l, m\u00edg egy nagy k-\u00e9rt\u00e9k sim\u00edtja a hat\u00e1rokat, de v\u00e9g\u00fcl mindig a leggyakrabban el\u0151fordul\u00f3 oszt\u00e1lyt j\u00f3solja meg. A p\u00e1ratlan k-\u00e9rt\u00e9k elker\u00fcli a k\u00e9t oszt\u00e1ly k\u00f6z\u00f6tti d\u00f6ntetlen szavaz\u00e1st.<\/p>\n\n\n\n

            \u26a0\ufe0f A KNN \u00e9rz\u00e9keny az X-ek nagys\u00e1grendj\u00e9re: egy ezerben kifejezett t\u00e9nyez\u0151 elnyomja a t\u00f6bbit a t\u00e1vols\u00e1g kisz\u00e1m\u00edt\u00e1sakor. Teljes\u00edtm\u00e9nye szint\u00e9n gyorsan romlik, ha sok az X. Az SVM-hez hasonl\u00f3an nem ad meg egy\u00fctthat\u00f3kat vagy t\u00e9nyez\u0151k fontoss\u00e1g\u00e1t, \u00e9s kiz\u00e1r\u00f3lag a \u201eModell\/Megfigyel\u00e9s\u201d f\u00fcl\u00f6n tal\u00e1lhat\u00f3 konf\u00fazi\u00f3s m\u00e1trix alapj\u00e1n \u00e9rt\u00e9kelhet\u0151, bele\u00e9rtve a teszt sorokat is.<\/p>","protected":false},"featured_media":0,"menu_order":20,"template":"","meta":{"_acf_changed":false},"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=\"article:modified_time\" content=\"2026-08-20T14:41:38+00:00\" \/>\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=\"27 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\",\"dateModified\":\"2026-08-20T14:41:38+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","article_modified_time":"2026-08-20T14:41:38+00:00","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":"27 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","dateModified":"2026-08-20T14:41:38+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}]}}