The arboretum procedure



Yüklə 3.07 Mb.

səhifə22/148
tarix30.04.2018
ölçüsü3.07 Mb.
1   ...   18   19   20   21   22   23   24   25   ...   148
: documentation
documentation -> From cyber-crime to insider trading, digital investigators are increasingly being asked to
documentation -> EnCase Forensic Transform Your Investigations
documentation -> File Sharing Documentation Prepared by Alan Halter Created: 1/7/2016 Modified: 1/7/2016
documentation -> Gaia Data Release 1 Documentation release 0

54

The ARBORETUM Procedure

after establishing the primary splitting rule. Consequently, creating a node, finding a

split, and finding surrogate splits requires at least three passes of the data. A separate

search for a rule for missing values (and hence a separate pass) is only necessary

for splits that are defined in the SPLIT statement and for which the rule for missing

values is omitted. If the rule for missing values is present in the SPLIT statement, no

pass is needed for a split search in the node for any input.

The number of bytes needed for each search task is approximately equal to the within-

node sample size specified in the NODESIZE= option in the PERFORMANCE state-

ment, times 3, times the number of bytes in a double word, which is 8 on most com-

puters.


Memory Considerations

Reserving more memory may reduce the number of data passes, but may not reduce

the execution time if a large proportion of the memory is virtual memory swapped

to disk. A computer operating system allocates more memory to software programs

running on the system than is physically available. When the operating system de-

tects that no program is using an allocated section of physical memory, the system

copies the contents of the section to disk, an action commonly called swapping-out,

and then reassigns the section to satisfy another request for memory. When the pro-

gram that created the original contents tries to access it, the operating system finds

another dormant section of physical memory, swaps that section to disk, and swaps

the original contents to the new section of physical memory. The programs appear to

have access to more memory than physically exists. The apparent amount of memory

is called virtual memory.

By default, the ARBORETUM procedure estimates the amount of memory it will

need for tree construction tasks, asks the operating system how much physical mem-

ory is available, and then allocates just enough to perform the tasks, or all of physical

memory, whichever is smaller. The estimate of the amount of memory assumes that

all split searches in a node are done in the same pass. The MEMSIZE= option to

the PERFORMANCE statement overrides the default process. The SAS MEMSIZE

option sets limits on the amount of physical memory available to the tasks.



IMPORTANCE= Output Data Set

The IMPORTANCE= option in the SAVE statement specifies the output data set to

contain the measure of relative importance of each input variable in the selected

subtree. The ASSESS and SUBTREE statements determine the subtree. Each ob-

servation describes an input variable. The observations are in order of decreasing

importance as computed with the training data.



Variable Importance

The relative importance of input variable v in subtree T is computed as

I(v; T ) ∝

τ ∈T


a(s

v

, τ )∆SSE(τ )




Variables in the Data Set

55

where the sum is over nodes τ in T , and s



v

denotes the primary or surrogate splitting

rule using v. a(s

v

, τ ) is the measure of agreement for the rule using v in node τ :



a(s

v

, τ ) =





1

if s


v

is the primary splitting rule

agreement

if s


v

is a surrogate rule

0

otherwise



∆SSE(τ ) is the reduction in sum of square errors from the predicted values:

∆SSE(τ ) = SSE(τ ) −

b∈B(τ )

SSE(τ


b

)

SSE(τ ) =









N (τ )

i=1


(Y

i

− ˆ



Y (τ ))

2

for interval target Y



N (τ )

i=1


J

j=1


ij

− ˆ



p

j

(τ ))



2

for target with J categories

where

B(τ )


= set of branches from τ

τ

b



= child node of τ in branch b

N (τ )


= number of observations in τ

ˆ

Y (τ )



= average Y in training data in τ

δ

ij



= 1 if Y

i

= j, 0 otherwise



ˆ

p

j



(τ )

= average δ

ij

in training data in τ



For a categorical target, the formula for SSE(τ ) reduces to

SSE(τ ) =









N (1 −

J

j=1



ˆ

p

2



j

)

for training data



N (1 −

J

j=1



(2p

j

− ˆ



p

j



p

j

)



for validation data

where p


j

is the proportion of the validation data with target value j, and N , p

j

, and


ˆ

p

j



are evaluated in node τ .

Variables in the Data Set

The IMPORTANCE= data set contains the following variables:

• NAME, the input variable name

• LABEL, the input variable label

• NRULES, the number of splitting rules using this variable

• NSURROGATES, the number of surrogate rules using this variable

• IMPORTANCE, the relative importance computed with the training data

• V–IMPORTANCE, the relative importance computed with the validation data





Dostları ilə paylaş:
1   ...   18   19   20   21   22   23   24   25   ...   148


Verilənlər bazası müəlliflik hüququ ilə müdafiə olunur ©genderi.org 2017
rəhbərliyinə müraciət

    Ana səhifə