{"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":"costruire-un-modello","status":"publish","type":"guide-dutilisateur","link":"https:\/\/ellistat.com\/it\/guide-dutilisateur\/construire-un-modele\/","title":{"rendered":"Costruire un modello"},"content":{"rendered":"

1. Il modello di Machine Learning e la sua griglia<\/h2>\n\n\n\n
\"\"<\/figure>\n\n\n\n

Un progetto contiene tanti modelli<\/strong> se necessario, visualizzati in schede nella parte superiore della pagina, con un \u00ab+\u00bb per crearne uno nuovo. Ogni modello ha un nome e indica la griglia<\/strong> che gestisce, scelta proprio sotto il suo nome.<\/p>\n\n\n\n

\u26a0\ufe0f Modificare la griglia di un modello azzeri i valori di X, Y e le linee di test<\/strong>. \u00c8 intenzionale: le colonne di un\u2019altra griglia non devono necessariamente corrispondere. Per confrontare due insiemi di dati, create due modelli.<\/p>\n\n\n\n

2. Scegliere X e Y<\/h2>\n\n\n\n

La tabella a sinistra elenca le colonne della griglia con due colonne di caselle di selezione, X<\/strong> e Y<\/strong>.<\/p>\n\n\n\n

\"\"<\/figure>\n\n\n\n
    \n
  • Y<\/strong> \u00e8 la risposta da indovinare. Selezionarla denomina il modello<\/strong> secondo lei e sceglie fin dall'inizio il tipo di modello<\/strong> : regressione lineare se Y \u00e8 una variabile quantitativa, regressione logistica se \u00e8 una variabile qualitativa. <\/li>\n\n\n\n
  • X<\/strong> sono i fattori che spiegano il fenomeno.<\/li>\n<\/ul>\n\n\n\n

    Tre regole di selezione che \u00e8 bene conoscere:<\/p>\n\n\n\n

      \n
    • una colonna costante<\/strong> non pu\u00f2 essere X: la relativa casella \u00e8 disattivata poich\u00e9, in assenza di variazioni, non \u00e8 possibile stimare alcun effetto; ; <\/li>\n\n\n\n
    • solo le colonne di prova 1<\/strong> sono disponibili in X; ; <\/li>\n\n\n\n
    • Una stessa colonna non pu\u00f2 essere sia X che Y: selezionando l'una, l'altra viene deselezionata.<\/li>\n<\/ul>\n\n\n\n

      3. Scegliere il tipo di modello<\/h2>\n\n\n\n

      L'elenco dei tipi dipende dalla natura di Y.<\/p>\n\n\n\n

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

      Y quantitativa<\/strong><\/p>\n\n\n\n

      Tipo<\/strong><\/td>Cosa offre<\/strong><\/td><\/tr><\/thead>
      Regressione lineare<\/strong><\/td>Il modello di riferimento: coefficienti chiari, p-value, R\u00b2. \u00c8 quello che si usa per capire<\/em>.<\/td><\/tr>
      Regressione PLS<\/strong><\/td>Per un numero elevato di variabili X correlate tra loro, nei casi in cui la regressione classica diventa instabile.<\/td><\/tr>
      Regressione K-OPLS<\/strong><\/td>Versione \"core\" della PLS: rileva le relazioni non lineari.<\/td><\/tr>
      Processo gaussiano<\/strong><\/td>Interpolazione flessibile con intervallo di confidenza<\/strong> in ogni punto. Eccellente con pochi dati.<\/td><\/tr>
      Rete neurale<\/strong><\/td>Perceptron multistrato: relazioni altamente non lineari, a scapito dell'interpretabilit\u00e0.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Y qualitativo<\/strong> = non si prevede pi\u00f9 un valore, ma un classe<\/strong> :<\/p>\n\n\n\n

      Tipo<\/strong><\/td>Cosa offre<\/strong><\/td><\/tr><\/thead>
      Regressione logistica<\/strong><\/td>Coefficienti e valori p, come nella regressione lineare. Il modello di riferimento per la classificazione.<\/td><\/tr>
      Albero decisionale<\/strong><\/td>Regole chiare, direttamente applicabili come istruzioni di officina.<\/td><\/tr>
      Foresta casuale<\/strong><\/td>Insieme di alberi: pi\u00f9 preciso, meno leggibile.<\/td><\/tr>
      (SVM) Support Vector Machine<\/strong><\/td>Confini di separazione complessi.<\/td><\/tr>
      (KNN) K vicini pi\u00f9 prossimi<\/strong><\/td>Classificazione in base alla somiglianza con casi noti.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      Due tipi di persone spariscono da sole quando non si impegnano:<\/p>\n\n\n\n

        \n
      • il distribuzione gaussiana<\/strong> richiede X tutti quantitativi<\/strong> e al massimo 50 righe<\/strong> di apprendimento; oltre tale soglia, il costo di calcolo aumenta vertiginosamente; ; <\/li>\n\n\n\n
      • la regressione K-OPLS<\/strong> scompare nelle tabelle di grandi dimensioni (oltre i 2.000 valori nelle colonne selezionate).<\/li>\n<\/ul>\n\n\n\n

        \ud83d\udca1 Inizia sempre<\/strong> tramite la regressione lineare o logistica, anche se si sospetta una relazione non lineare. Fornisce valori p, un R\u00b2 e coefficienti interpretabili: quanto basta per capire quali<\/em> Questi fattori sono importanti. I modelli pi\u00f9 flessibili a volte forniscono previsioni pi\u00f9 accurate, ma non rispondono alla domanda \u00absu cosa bisogna intervenire?\u00bb.<\/p>\n\n\n\n

        4. Le opzioni<\/h2>\n\n\n\n
        \"\"<\/figure>\n\n\n\n

        Sotto il tipo di modello, la sezione Opzioni<\/strong> illustra le impostazioni specifiche per il tipo selezionato (profondit\u00e0 massima e numero minimo di individui per foglia per un albero, numero di alberi e percentuale di variabili per una foresta, gamma e costo per una SVM, tasso di apprendimento, numero di epoche, regolarizzazione e dimensione dello strato nascosto per una rete neurale, numero di componenti per la PLS).<\/p>\n\n\n\n

        \u26a0\ufe0f Queste impostazioni hanno valori predefiniti ragionevoli. Modificarle in modo indiscriminato comporta sovracompensare<\/strong> : un modello che riproduce perfettamente i dati di addestramento ma commette errori su ogni nuovo pezzo. \u00c8 la scheda Modello\/Osservazione<\/strong> e le righe di verifica che indicano se hai vinto o perso.<\/p>\n\n\n\n

        5. I termini del modello<\/h2>\n\n\n\n

        In una regressione, la scheda Coefficienti<\/strong> non si limita a leggere il modello: \u00e8 l\u00ec che lo compone<\/strong>. Un selettore di termini consente di aggiungere agli effetti principali:<\/p>\n\n\n\n

        \"\"<\/figure>\n\n\n\n
          \n
        • le termini di secondo grado<\/strong> : il quadrato di un fattore, per cogliere una curvatura. Riservato ai fattori quantitativi con pi\u00f9 di due livelli: con due livelli, un quadrato non si distingue dalla costante; ;<\/li>\n\n\n\n
        • le interazioni<\/strong> : il prodotto di due fattori; ; <\/li>\n\n\n\n
        • la costante<\/strong>, che eventualmente si pu\u00f2 rimuovere dal modello.<\/li>\n<\/ul>\n\n\n\n

          La tabella dei coefficienti riporta, termine per termine: il coefficiente<\/strong>, l\u2019errore standard<\/strong>, la statistica<\/strong>, la valore p<\/strong>, la conclusione significativo<\/strong> e il VIF<\/strong>. Sopra sono riportati l'errore standard del modello, il n (ddl)<\/strong>il R\u00b2<\/strong> e il R\u00b2 aggiustato<\/strong>, nonch\u00e9 la lato destro del modello<\/strong>, l'equazione completa, pronta per essere copiata.<\/p>\n\n\n\n

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

          \ud83d\udca1 Il VIF<\/strong> \u00e8 il meccanismo di controllo che spesso si trascura. Misura quanto un termine sia ridondante rispetto agli altri. Un VIF elevato indica che il coefficiente riportato non \u00e8 affidabile, non perch\u00e9 il fattore non abbia alcun effetto, ma perch\u00e9 i dati non consentono di distinguere il suo effetto da quello di un altro fattore. Sui dati osservativi, ci\u00f2 accade spesso; in un piano sperimentale ben strutturato, invece, non dovrebbe verificarsi.<\/p>\n\n\n\n

          \u00c8 possibile eliminare un termine sia rimuovendolo dalla tabella dei termini del modello, sia cliccando su \u00abElimina\u00bb<\/p>\n\n\n\n

          L'analisi automatica<\/strong> propone due strategie di selezione dei termini:<\/p>\n\n\n\n

            \n
          • In avanti<\/strong> : partire dal modello vuoto e aggiungere uno per uno i termini necessari; ; <\/li>\n\n\n\n
          • Indietro<\/strong> : partire dal modello completo ed eliminare i termini superflui.<\/li>\n<\/ul>\n\n\n\n

            Il pulsante Miglior sottoinsieme<\/strong> va oltre: elenca le combinazioni di termini fino a un numero massimo di termini<\/strong> che si imposta, visualizza il numero di regressioni<\/strong> ci\u00f2 che ci\u00f2 rappresenta, e ordina i risultati in base a R\u00b2 e R\u00b2 aggiustato. Ogni candidato si iscrive con un clic.<\/p>\n\n\n\n

            \u26a0\ufe0f Selezione automatica dei termini invalida i valori p<\/strong> in senso stretto: sono stati provati molti modelli e si \u00e8 scelto il migliore, cosa che il calcolo del p-value non tiene in considerazione. Il risultato rimane un ottimo punto di partenza, ma un modello cos\u00ec ottenuto si conferma sulla base di nuovi dati<\/strong>, non su quelle che sono servite a sceglierlo.<\/p>\n\n\n\n

            In presenza di fattori qualitativi, \u00e8 possibile scegliere la modalit\u00e0 di riferimento (inclusa nella costante). La modalit\u00e0 di riferimento non compare nella tabella di Student.<\/p>\n\n\n\n

            6. Leggere i risultati<\/h2>\n\n\n\n

            La parte destra dello schermo mostra i risultati suddivisi in schede. I primi dipendono dal modello, mentre i successivi sono sempre presenti.<\/p>\n\n\n\n

            Schede specifiche del modello<\/strong><\/p>\n\n\n\n

            Scheda<\/strong><\/td>Quando appare<\/strong><\/td><\/tr><\/thead>
            Taguchi<\/strong><\/td>Ellistat ha individuato un piano di Taguchi nei dati e Y \u00e8 una variabile quantitativa. Visualizza l'analisi specifica per questo piano.<\/td><\/tr>
            Multilivello<\/strong><\/td>I dati lo confermano: effetti e significato dei termini<\/strong> su fattori a pi\u00f9 livelli.<\/td><\/tr>
            Coefficienti<\/strong><\/td>Regressione lineare o logistica (vedi \u00a75).<\/td><\/tr>
            Configurazione<\/strong><\/td>PLS, K-OPLS, processo gaussiano, rete neurale, albero, foresta, SVM, KNN \u2014 diagnosi specifiche per tipo.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            Schede comuni<\/strong><\/p>\n\n\n\n

            Scheda<\/strong><\/td>Cosa mostra<\/strong><\/td><\/tr><\/thead>
            Modello\/Osservazione<\/strong><\/td>Previsione rispetto al dato osservato. Su un asse Y qualitativo, si tratta della matrice di confusione<\/strong>.<\/td><\/tr>
            Istogramma<\/strong><\/td>La distribuzione, su Y quantitativa.<\/td><\/tr>
            Residui<\/strong><\/td>I dettagli riga per riga: valore osservato, previsione, scostamento e appartenenza alle righe di test.<\/td><\/tr>
            Previsione<\/strong><\/td>Inserire i valori di X e leggere la risposta prevista.<\/td><\/tr>
            3D<\/strong><\/td>Fin da 2 X<\/strong> : l'area di risposta del modello.<\/td><\/tr>
            5D<\/strong><\/td>Fin da 4 X<\/strong> : la stessa interpretazione con due elementi aggiuntivi, rappresentati dal colore e dalle dimensioni.<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

            \ud83d\udca1 \"Modello\/Osservazione\" \u00e8 l'unica scheda che valuta il modello.<\/strong> I punti devono allinearsi sulla diagonale, e soprattutto anche le righe di prova devono essere allineate l\u00ec<\/strong>. Un modello che riproduce perfettamente i dati di addestramento ma fallisce nei test non ha imparato nulla: ha semplicemente memorizzato. \u00c8 l\u2019unico errore che conta, e l\u2019R\u00b2 non lo rileva.<\/p>\n\n\n\n

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

            Nel caso di un piano sperimentale a 2 livelli, la tabella di Taguchi fornisce il grafico degli effetti per tutte le colonne della tabella.<\/p>\n\n\n\n

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

            Selezionare o deselezionare un'interazione<\/strong>. Cliccando sul nome dell'interazione in rosso, questa viene selezionata e diventa verde. Lo stesso vale cliccando sul nome in verde: l'interazione diventa rossa. Selezionando un'interazione, viene visualizzato il grafico corrispondente. \u00c8 possibile modificare l'asse x cliccando sul quadratino blu.<\/p>\n\n\n\n

            8. Modello \/ Osservazione<\/h2>\n\n\n\n

            Questo grafico illustra, in diverse forme, la corrispondenza tra il modello e i dati osservati. Pi\u00f9 i punti sono vicini alla retta, pi\u00f9 il modello rispecchia i risultati delle prove.<\/p>\n\n\n\n

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

            Un grafico molto utile \u00e8 quello che mette a confronto le leve e i residui. I punti devono trovarsi nella zona verde.<\/p>\n\n\n\n

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

            Se un punto si trova nella zona rossa, verso il basso o verso l'alto, ci\u00f2 \u00e8 dovuto a un problema nella risposta. C'\u00e8 una risposta che non corrisponde al modello (valore anomalo?).<\/p>\n\n\n\n

            Se un punto si trova nella zona rossa verso destra, allora il problema riguarda l'asse X. Una delle linee di prova \u00e8 atipica rispetto alle altre (ad esempio, X varia da 5 a 10 su tutte le linee tranne una, dove X = 20)<\/p>\n\n\n\n

            9. Istogramma dei residui<\/h2>\n\n\n\n

            Fornisce l'istogramma e l'analisi di normalit\u00e0 dei residui<\/p>\n\n\n\n

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

            In questa scheda \u00e8 presente la tabella con i valori misurati, quelli previsti e il valore dei residui.<\/p>\n\n\n\n

            Ma \u00e8 in questa tabella che si pu\u00f2 scegliere se inserire una parte delle righe nel test in modo casuale, oppure le prime, le ultime o selezionandole dalla colonna \u201ctest\u201d.<\/p>\n\n\n\n

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

            10. Previsione<\/h2>\n\n\n\n

            Questa scheda consente di prevedere un valore e il relativo intervallo di confidenza sulla base del modello per qualsiasi configurazione.<\/p>\n\n\n\n

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

            11. Grafica 3D e 5D<\/h2>\n\n\n\n

            Il menu 3D consente di visualizzare la superficie di risposta in 3D. Si selezionano 2 X e una configurazione specifica degli altri X per visualizzare la rappresentazione<\/p>\n\n\n\n

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

            Nel caso in cui si disponga di un numero sufficiente di fattori X, viene proposta la rappresentazione 5D, che consente di visualizzare Y in funzione di 4X in un\u2019unica figura (5 dimensioni)<\/p>\n\n\n\n

            Nell'esempio riportato di seguito \u00e8 illustrata l'andamento potenza\/velocit\u00e0 in 9 configurazioni di defocalizzazione\/spot. \u00c8 anche possibile utilizzare una griglia 5\u00d75 al posto di quella 3\u00d73 per ottenere una maggiore precisione.<\/p>\n\n\n\n

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

            12. Altri modelli possibili con Y quantitative<\/h2>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Regressione PLS<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La regressione PLS viene utilizzata quando le variabili X sono numerose e correlate tra loro: invece di stimare un coefficiente per ciascun fattore come nella regressione classica, essa costruisce delle componenti \u2014 combinazioni delle variabili X \u2014 ed esegue la regressione di Y su di esse. Il cursore \u00abNumber of components\u00bb ne determina il numero, unico parametro che definisce realmente la struttura del modello.<\/p>\n\n\n\n

            Il grafico R\u00b2 vs Numero di componenti guida questa scelta: si sceglie il numero di componenti a partire dal quale la curva si appiattisce. Nell'esempio, passare da 2 a 4 componenti non apporta quasi nulla \u2014 si opta quindi per un modello a 2 componenti, con un R\u00b2 pari a 38,27 % e un R\u00b2 aggiustato pari a 32,65 % per 22 gradi di libert\u00e0 e un errore standard di 2,42842.<\/p>\n\n\n\n

            La tabella \"Coefficienti di regressione\" riporta, come nella regressione lineare, la costante e un coefficiente per ciascun fattore (Pressione, Temperatura, Operatore (Robert), Umidit\u00e0), accompagnato dal relativo VIF. In questo caso i VIF rimangono vicini a 1, segno che i fattori non sono ridondanti.<\/p>\n\n\n\n

            \u26a0\ufe0f L'aggiunta di componenti fa sempre aumentare l'R\u00b2 di apprendimento: questa \u00e8 la strada diretta verso il sovradattamento. Il numero corretto di componenti si valuta dalle righe di test e dalla scheda Modello\/Osservazione, non dall'R\u00b2.<\/p>\n\n\n\n

            Regressione KOPLS<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La regressione K-OPLS \u00e8 la versione con kernel della PLS: le variabili X vengono proiettate in uno spazio trasformato da un kernel (in questo caso un kernel gaussiano RBF, con il suo parametro \u03c3), il che consente di cogliere relazioni non lineari che la PLS classica non rileva. La casella \u00abStandardizza X\u00bb porta i fattori alla stessa scala prima della proiezione.<\/p>\n\n\n\n

            Due famiglie di componenti vengono regolate separatamente: le componenti predittive (A), che contengono le informazioni relative a Y, e le componenti ortogonali (B), che assorbono la variazione delle X non correlata a Y. I pulsanti \u00abTrova il kernel migliore\u00bb e \u00abTrova la configurazione migliore\u00bb calcolano automaticamente \u03c3 e la coppia (A, B).<\/p>\n\n\n\n

            I due grafici R\u00b2 rispetto alle componenti servono a confermare questa scelta. Nell\u2019esempio, \u00e8 sufficiente una sola componente predittiva; oltre questa soglia, l\u2019R\u00b2 crolla, mentre l\u2019R\u00b2 aumenta notevolmente fino a 3 componenti ortogonali per poi stabilizzarsi: la configurazione scelta \u00e8 A = 1 e B = 3, per n = 25, p = 7, un kernel RBF (\u03c3 = 1,88736), un errore standard di 1,15671 e un R\u00b2 di 85,36 % (aggiustato a 84,72 %).<\/p>\n\n\n\n

            \u26a0\ufe0f Il K-OPLS non fornisce n\u00e9 p-value n\u00e9 coefficienti interpretabili: esso prevede, non spiega. Va quindi valutato esclusivamente nella scheda Modello\/Osservazione e nelle righe di test. L\u2019R\u00b2 aggiustato visualizzato si basa inoltre su un\u2019approssimazione dei gradi di libert\u00e0 del kernel (ddl \u2248 n \u2212 (A + 1)): va interpretato come un indicatore, non come un valore esatto.<\/p>\n\n\n\n

            Reti neurali<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La rete neurale \u00e8 un percettrone multistrato (MLP): gli X attraversano uno o pi\u00f9 strati nascosti di neuroni prima di produrre Y. La sezione Architettura definisce la funzione di attivazione (ReLU per impostazione predefinita) e l\u2019elenco degli strati nascosti \u00ab+ Aggiungi uno strato\u00bb, quindi il numero di neuroni di ciascuno (in questo caso 16 e poi 8). Pi\u00f9 gli strati sono ampi e numerosi, pi\u00f9 il modello \u00e8 flessibile\u2026 e maggiore \u00e8 il rischio che memorizzi i dati.<\/p>\n\n\n\n

            La sezione \u00abAddestramento\u00bb regola il processo di apprendimento: LR \u00e8 la velocit\u00e0 di apprendimento (1e-2 \u201cmolto aggressiva\u201d nell\u2019esempio), il pianificatore LR che la riduce progressivamente nel corso delle iterazioni, Lot la dimensione dei mini-lot (Full-batch = l'intero set di dati ad ogni passo), L2 la regolarizzazione che limita i pesi e Iterazioni il numero di passaggi. Il pulsante Apprendimento avvia il calcolo.<\/p>\n\n\n\n

            La tabella \u201cStatistiche\u201d riporta n, p, l\u2019errore standard, l\u2019R\u00b2 e l\u2019R\u00b2 aggiustato; la curva \u201cPerdita di addestramento\u201d mostra la diminuzione della perdita (MSE) nel corso delle iterazioni. Una curva che scende e poi si appiattisce indica che l\u2019apprendimento \u00e8 convergito: prolungare le iterazioni non porta alcun beneficio. Una curva ancora in discesa all\u2019ultima iterazione indica il contrario: \u00e8 necessario aggiungerne altre.<\/p>\n\n\n\n

            \u26a0\ufe0f Nell\u2019esempio, R\u00b2 = 100 % e un errore standard di 0,00026: la rete riproduce esattamente le sue 25 righe di addestramento. Questo \u00e8 il tipico segno di sovradattamento, non di un buon modello. Solo la scheda Modello\/Osservazione e le righe di test consentono di trarre conclusioni definitive; in caso di discrepanza, ridurre le dimensioni degli strati, aumentare la regolarizzazione L2 o diminuire il numero di iterazioni.<\/p>\n\n\n\n

            13. I modelli possibili con Y qualitativi<\/h2>\n\n\n\n

            Regressione logistica binaria<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La regressione logistica binaria viene utilizzata quando Y assume solo due valori (in questo caso Qualit\u00e9bin: OK \/ KO). Il modello non prevede un valore, ma la probabilit\u00e0 di appartenere alla modalit\u00e0 studiata; la scheda \u00abCoefficienti\u00bb va quindi interpretata come quella della regressione lineare, con alcuni indicatori specifici.<\/p>\n\n\n\n

            La tabella in alto definisce le modalit\u00e0 di riferimento: per ogni X qualitativa (Trattamento, Fornitore) e per Y. Il riferimento \u00e8 quello con cui viene effettuato ogni confronto; esso non compare nella tabella dei coefficienti e modificarne la scelta altera l'interpretazione dei risultati senza modificare il modello. Un banner \u00abPosso fidarmi del modello?\u00bb indica inoltre se il numero di osservazioni della classe pi\u00f9 rara per ciascun parametro stimato \u00e8 sufficiente.<\/p>\n\n\n\n

            La riga delle statistiche sostituisce l\u2019R\u00b2 della regressione lineare: n, ddl, il \u03c7\u00b2 del modello e il suo p-value (la significativit\u00e0 complessiva), la devianza, seguiti da tre pseudo-R\u00b2: McFadden, Cox & Snell e Nagelkerke. Nell\u2019esempio, n = 180, \u03c7\u00b2 = 33,69 con un valore p pari a 2,7\u00b710\u207b\u2076: il modello fornisce informazioni, anche se gli pseudo-R\u00b2 (da 15,4 % a 24,3 %) rimangono modesti.<\/p>\n\n\n\n

            La tabella \u201cCoefficienti e significativit\u00e0\u201d riporta, per ciascun termine: il coefficiente, il suo sigma, la statistica z, il p-value, la conclusione sulla significativit\u00e0 evidenziata a colori, l\u2019odds ratio con il relativo intervallo di confidenza al 95% % e il VIF. L\u2019odds ratio \u00e8 il dato pi\u00f9 significativo: 2,66 per il trattamento (B) significa che tale trattamento moltiplica per 2,66 la probabilit\u00e0 di ottenere l\u2019esito studiato rispetto al trattamento A.<\/p>\n\n\n\n

            \ud83d\udca1 Un intervallo di confidenza dell'odds ratio che include il valore 1 indica un \u00abeffetto non dimostrato\u00bb \u2014 \u00e8 il caso del Fornitore (C), il cui intervallo va da 0,44 a 2,34. Al contrario, la pressione (OR = 1,09 per unit\u00e0, IC 1,04\u20131,15) ha un effetto debole ma certo. Come sempre, la qualit\u00e0 della classificazione si valuta sulla matrice di confusione nella scheda Modello\/Osservazione, non sugli pseudo-R\u00b2.<\/p>\n\n\n\n

            Regressione logistica multinomiale<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            Quando Y presenta pi\u00f9 di due modalit\u00e0 (in questo caso Qualit\u00e0: Scarso \/ Buono \/ Accettabile), Ellistat passa automaticamente alla regressione logistica multinomiale. Il principio rimane lo stesso, ma il modello stima una serie di coefficienti per ciascuna modalit\u00e0 di Y, ciascuna confrontata con la modalit\u00e0 di riferimento scelta nella parte superiore della pagina \u2014 in questo caso \u00abCattivo\u00bb.<\/p>\n\n\n\n

            La riga delle statistiche va letta come in formato binario, con un ddl pi\u00f9 elevato poich\u00e9 vi sono pi\u00f9 parametri: n = 180, ddl = 10, \u03c7\u00b2 = 67,94 con un valore p pari a 1,1\u00b710\u207b\u00b9\u2070, devianza 321,357 e pseudo-R\u00b2 pari a 17,45 % (McFadden), 31,44 % (Cox & Snell) e 35,52 % (Nagelkerke).<\/p>\n\n\n\n

            La tabella \u201cCoefficienti per classe\u201d presenta una coppia coefficiente\/valore p per ciascuna modalit\u00e0 di Y. Una stessa riga pu\u00f2 quindi risultare significativa per una classe e non per un\u2019altra: Il \u00abTrattamento (B)\u00bb incide nettamente sulla probabilit\u00e0 di essere \u00abBuono\u00bb piuttosto che \u00abCattivo\u00bb (p = 0,0012), ma non su quella di essere \u00abAccettabile\u00bb (p = 0,118). Un coefficiente positivo aumenta la probabilit\u00e0 della classe della colonna rispetto al valore di riferimento.<\/p>\n\n\n\n

            La tabella \u00abTest globali dei termini (rapporto di verosimiglianza)\u00bb risponde alla domanda che mancava nella precedente: \u00abQuesto fattore \u00e8 significativo, considerando tutte le classi?\u00bb. A ogni termine viene assegnato un \u03c7\u00b2 RV e un p-value univoci: Pressione (p = 9,3\u00b710\u207b\u2077) e Temperatura (p = 0,0003) sono molto significativi, mentre Fornitore lo \u00e8 in misura minore (p = 0,024).<\/p>\n\n\n\n

            \ud83d\udca1 \u00c8 il test globale che bisogna considerare per primo per decidere se un fattore debba rimanere nel modello. I valori p per classe servono poi a capire dove agisce il fattore. Un fattore pu\u00f2 essere globalmente significativo senza che lo sia nessuno dei suoi confronti individuali, e vale anche il contrario: da qui l\u2019importanza di disporre di entrambe le tabelle.<\/p>\n\n\n\n

            Albero decisionale<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            L'albero decisionale suddivide i dati attraverso una serie di domande binarie sulle variabili X \u2014 \u00abFornitore \u2264 0,5?\u00bb, \u00abTrattamento \u2264 0,5?\u00bb \u2014 fino a raggiungere le foglie, ciascuna delle quali contiene una classe prevista. \u00c8 il modello pi\u00f9 intuitivo del menu: ogni percorso dalla radice a una foglia si traduce direttamente in istruzioni operative.<\/p>\n\n\n\n

            La scheda \"Configurazione\" raggruppa le impostazioni: il Criterio di divisione (Gini o entropia), la Profondit\u00e0 massima, la Soglia minima per la divisione (numero minimo di individui affinch\u00e9 un nodo venga tagliato), la Soglia minima per la foglia e il numero massimo di elementi. Il pulsante \u201cApprendimento\u201d ricostruisce l\u2019albero dopo ogni modifica.<\/p>\n\n\n\n

            Tra le impostazioni figura la \u201cPrecisione di addestramento\u201d \u2014 la percentuale di individui classificati correttamente, 49,4 % per n = 180 e p = 3 nell\u2019esempio \u2014 e infine il riepilogo dei parametri effettivamente ottenuti: profondit\u00e0 4, 6 fogli, criterio di Gini.<\/p>\n\n\n\n

            Nel grafico, ogni nodo interno mostra la propria condizione, la profondit\u00e0 e l\u2019impurit\u00e0 (imp); ogni foglia, in verde, mostra il proprio numero di elementi n, la propria impurit\u00e0 e la classe maggioritaria con la relativa probabilit\u00e0 \u2014 ad esempio n = 27, Cattivo (p = 0,5556). Un\u2019impurit\u00e0 vicina a 0 indica una foglia pura, quindi una regola chiara; un\u2019impurit\u00e0 elevata indica una foglia in cui le classi rimangono mescolate e la previsione \u00e8 poco affidabile.<\/p>\n\n\n\n

            \u26a0\ufe0f L\u2019albero \u00e8 il modello che sovradatta pi\u00f9 rapidamente: aumentando la profondit\u00e0, si finisce sempre per isolare ogni individuo nel proprio foglio e per raggiungere una precisione di addestramento di 100 % senza aver appreso nulla. Aumentare l\u2019\u00c9ch min per il foglio e limitare la profondit\u00e0 sono le due misure di sicurezza; la matrice di confusione nella scheda Modello\/Osservazione, sulle righe di test, \u00e8 determinante.<\/p>\n\n\n\n

            Foresta casuale<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            La foresta casuale non costruisce un solo albero, ma un centinaio, ciascuno addestrato su un campione casuale di righe (opzione Bootstrap) e su un sottoinsieme casuale delle variabili X. La previsione finale \u00e8 il voto maggioritario di tutti gli alberi. Questa rimescolatura corregge il principale difetto dell\u2019albero singolo \u2014 la sua instabilit\u00e0 \u2014 a scapito della leggibilit\u00e0: non \u00e8 pi\u00f9 possibile interpretare il modello come una sequenza di regole.<\/p>\n\n\n\n

            La scheda \"Configurazione\" presenta quattro impostazioni: il numero di alberi (100 per impostazione predefinita), la profondit\u00e0 massima (10), il numero minimo di campioni per foglio (2) e l'opzione \"Bootstrap\". Aumentare il numero di alberi non comporta un sovradattamento: stabilizza semplicemente la previsione e allunga i tempi di calcolo; sono la profondit\u00e0 e il numero minimo di campioni a determinare la complessit\u00e0.<\/p>\n\n\n\n

            La barra indica la precisione di addestramento \u2014 97,8 % in questo caso per n = 180 e p = 5 \u2014 seguita dal riepilogo dei parametri selezionati. Da confrontare con il valore di 49,4 % ottenuto con l\u2019albero singolo sugli stessi dati: la differenza evidenzia il guadagno in termini di precisione, ma anche il rischio, poich\u00e9 tale precisione \u00e8 misurata sui dati di addestramento.<\/p>\n\n\n\n

            Il grafico \u201cImportanza delle caratteristiche\u201d classifica le variabili X in base al loro contributo alla qualit\u00e0 della classificazione, con il valore esatto riportato sotto il grafico: La pressione 40,91 % e la temperatura 40,75 % dominano nettamente, i due fornitori incidono per circa il dieci per cento, mentre il trattamento a \u22123,21 % non apporta alcun contributo. \u00c8 l\u2019equivalente, per la foresta, della tabella di significativit\u00e0 delle regressioni.<\/p>\n\n\n\n

            \u26a0\ufe0f Un\u2019importanza negativa o quasi nulla significa che il fattore peggiora leggermente la previsione quando viene permutato: per il modello \u00e8 solo rumore. Attenzione per\u00f2: l\u2019importanza misura un contributo predittivo, non un effetto causale, e due fattori correlati si dividono l\u2019importanza invece di sommarla. Come per l\u2019albero, il verdetto si legge sulla matrice di confusione delle righe di test.<\/p>\n\n\n\n

            SVM \u2013 Support Vector Machine<\/h3>\n\n\n\n
            \"\"<\/figure>\n\n\n\n

            L'SVM (Support Vector Machine) cerca il confine che separa al meglio le classi, massimizzando il margine tra esso e i punti pi\u00f9 vicini, i vettori di supporto. Grazie al kernel, questo confine pu\u00f2 assumere una forma molto complessa nello spazio delle X originale, il che lo rende un buon classificatore quando le classi non sono separate da una retta.<\/p>\n\n\n\n

            La scheda Configurazione raggruppa le impostazioni: il Nucleo (qui Rbf), C (Costo) che regola la tolleranza agli errori di classificazione \u2014 un valore C elevato si attiene rigorosamente ai dati, mentre un valore C basso accetta errori per mantenere un confine regolare \u2014, Gamma, che definisce l\u2019ampiezza del kernel (Auto = 1\/p), la Tolleranza di arresto (consigliato 1e-4), il Numero massimo di passaggi (10) e il Numero massimo di iterazioni (10.000).<\/p>\n\n\n\n

            La barra mostra l'accuratezza dell'addestramento \u2014 57,2 % per n = 180 e p = 5 nell'esempio \u2014 e il riquadro \"Parametri del modello\" riporta la configurazione effettivamente applicata: kernel RBF, C = 180, gamma = auto, tol = 0,0001.<\/p>\n\n\n\n

            \ud83d\udca1 C e Gamma si regolano insieme e sono le uniche due impostazioni che contano davvero. Un valore di Gamma troppo alto crea un contorno che segue ogni punto (sovracorrezione); un valore di C troppo alto produce lo stesso effetto. Procedere per tentativi, monitorando lo scostamento tra la precisione di allineamento e le linee di prova, piuttosto che cercare di massimizzare la prima.<\/p>\n\n\n\n

            \u26a0\ufe0f L'SVM non fornisce n\u00e9 coefficienti, n\u00e9 p-value, n\u00e9 l'importanza dei fattori: classifica senza fornire spiegazioni. Si valuta esclusivamente sulla base della matrice di confusione presente nella scheda Modello\/Osservazione. Se l\u2019obiettivo \u00e8 capire su cosa intervenire, la regressione logistica o la foresta casuale rispondono meglio alla domanda.<\/p>\n\n\n\n

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

            Il KNN (K vicini pi\u00f9 prossimi) \u00e8 il pi\u00f9 semplice dei classificatori: non effettua alcuna regolazione. Per prevedere una nuova configurazione, cerca nei dati le k righe che pi\u00f9 le assomigliano e seleziona la classe maggioritaria tra queste. Il \u00abmodello\u00bb \u00e8 quindi il set di dati stesso: da qui deriva la sua forza nei casi gi\u00e0 incontrati e la sua debolezza non appena ci si allontana da essi.<\/p>\n\n\n\n

            La scheda Configurazione contiene solo due impostazioni: Vicini k (5 per impostazione predefinita) e la distanza utilizzata per misurare la somiglianza: euclidea, di Manhattan o di Chebyshev. La barra superiore indica quindi la precisione dell\u2019addestramento, mentre il riquadro \u00abParametri del modello\u00bb riporta la configurazione applicata (k = 5, metrica euclidea).<\/p>\n\n\n\n

            La scelta del valore di k determina un compromesso tra rumore e smussamento: un k piccolo si attiene ai dati e reagisce a ogni singolo punto, mentre un k grande smussa i confini ma finisce per prevedere sempre la classe pi\u00f9 frequente. Un k dispari evita i pareggi tra due classi.<\/p>\n\n\n\n

            \u26a0\ufe0f Il KNN \u00e8 sensibile alla scala delle variabili X: un fattore espresso in migliaia prevale sugli altri nel calcolo della distanza. Inoltre, la sua efficacia diminuisce rapidamente quando le variabili X sono numerose. Come l\u2019SVM, non fornisce n\u00e9 coefficienti n\u00e9 importanza dei fattori, e viene valutato esclusivamente sulla base della matrice di confusione nella scheda Modello\/Osservazione, comprese le righe di test.<\/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\/it\/guida-per-lutente\/costruire-un-modello\/\" \/>\n<meta property=\"og:locale\" content=\"it_IT\" \/>\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\/it\/guida-per-lutente\/costruire-un-modello\/\" \/>\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=\"Tempo di lettura stimato\" \/>\n\t<meta name=\"twitter:data1\" content=\"27 minuti\" \/>\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\":\"it-IT\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\\\/\\\/ellistat.com\\\/guide-dutilisateur\\\/construire-un-modele\\\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"it-IT\",\"@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\":\"it-IT\"}]}<\/script>\n<!-- \/ Yoast SEO plugin. -->","yoast_head_json":{"title":"Creare un modello - Ellistat","description":"Scopri i passaggi necessari per creare un modello di Machine Learning nel software Data Analysis di Ellistat","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\/it\/guida-per-lutente\/costruire-un-modello\/","og_locale":"it_IT","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\/it\/guida-per-lutente\/costruire-un-modello\/","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":{"Tempo di lettura stimato":"27 minuti"},"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":"Creare un modello - 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":"Scopri i passaggi necessari per creare un modello di Machine Learning nel software Data Analysis di Ellistat","breadcrumb":{"@id":"https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/#breadcrumb"},"inLanguage":"it-IT","potentialAction":[{"@type":"ReadAction","target":["https:\/\/ellistat.com\/guide-dutilisateur\/construire-un-modele\/"]}]},{"@type":"ImageObject","inLanguage":"it-IT","@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 della qualit\u00e0 per l'industria meccanica","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":"it-IT"}]}},"_links":{"self":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/guide-dutilisateur\/4679","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/guide-dutilisateur"}],"about":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/types\/guide-dutilisateur"}],"wp:attachment":[{"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/media?parent=4679"}],"wp:term":[{"taxonomy":"menu-guide-dutilisateur","embeddable":true,"href":"https:\/\/ellistat.com\/it\/wp-json\/wp\/v2\/menu-guide-dutilisateur?post=4679"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}