Minitab SPM

CART®

Là một trong những công cụ quan trọng và phổ biến nhất trong khai thác dữ liệu hiện đại, CART là cây phân loại cuối cùng. CART và công cụ lập mô hình của nó đã cách mạng hóa lĩnh vực phân tích nâng cao và mở ra kỷ nguyên khoa học dữ liệu hiện tại.

Đối với những người mới sử dụng CART, đây là một thuật toán dựa trên cây hoạt động bằng cách xem xét nhiều cách khác nhau để phân vùng cục bộ hoặc phân chia dữ liệu thành các phân đoạn nhỏ hơn dựa trên các giá trị khác nhau và sự kết hợp của các yếu tố dự báo. CART chọn các phần tách hoạt động tốt nhất, sau đó lặp lại quy trình này một cách đệ quy cho đến khi tìm thấy bộ sưu tập tối ưu. Kết quả là một cây quyết định được biểu diễn bằng một loạt các phân tách nhị phân dẫn đến các nút đầu cuối có thể được mô tả bằng một tập hợp các quy tắc cụ thể. Cây và bố cục của nó kích thích thị giác và diễn giải trực quan, vì vậy bạn không cần phải là nhà khoa học dữ liệu để hiểu và thu được những hiểu biết hữu ích từ nó.

Được thiết kế cho người dùng ở mọi cấp độ, mô hình của CART có thể nhanh chóng tiết lộ các mối quan hệ quan trọng có thể bị ẩn khi sử dụng các công cụ phân tích khác. CART nổi bật trong lĩnh vực phân tích dự đoán nhờ phương pháp ban đầu, rất được mong đợi bao gồm tự động hóa tích hợp, tính dễ sử dụng, hiệu suất và độ chính xác.

Random Forests®

Dựa trên bộ sưu tập Classification & Regression Trees (CART®), công cụ lập mô hình Random Forests® tổng hợp các dự đoán được đưa ra từ mỗi cây CART để xác định dự đoán tổng thể của khu rừng, đồng thời đảm bảo các cây quyết định không bị ảnh hưởng lẫn nhau.

Đối với những người mới sử dụng Random Forests, đây là một kỹ thuật tổng hợp mạnh mẽ do Leo Breiman và Adele Cutler tại Đại học California, Berkeley phát triển và được nhiều người thực hành mô hình dự đoán ưa chuộng. Sự đơn giản dễ đánh lừa của thuật toán xây dựng hàng trăm cây độc lập và sử dụng rất nhiều mẫu từ cả quan sát và biến.

Khả năng độc đáo của Random Forests để đánh giá hiệu suất mô hình không thiên vị dựa trên dữ liệu sẵn có sẽ loại bỏ nhu cầu phải có một mẫu thử nghiệm/xác thực riêng biệt. Điều này ngay lập tức định vị Rừng ngẫu nhiên là công cụ lập mô hình dự đoán hàng đầu trong các ứng dụng dữ liệu rộng, nơi số lượng biến vượt quá, thường gấp nhiều lần, số lượng quan sát có sẵn.

MARS®

Công cụ lập mô hình MARS®  lý tưởng cho những người dùng thích kết quả ở dạng tương tự như hồi quy truyền thống trong khi nắm bắt được các tương tác và phi tuyến tính thiết yếu.

Cách tiếp cận mô hình hồi quy của phương pháp MARS phát hiện một cách hiệu quả các mẫu dữ liệu quan trọng và các mối quan hệ mà các phương pháp hồi quy khác khó phát hiện, nếu không muốn nói là không thể. Công cụ tạo mô hình MARS xây dựng mô hình của nó bằng cách nối một loạt các đường thẳng với nhau cho phép độ dốc riêng của mỗi đường. Điều này cho phép công cụ lập mô hình MARS tìm ra bất kỳ mẫu nào được phát hiện trong dữ liệu.

TreeNet®

Công cụ máy học linh hoạt, từng đoạt giải thưởng và mạnh mẽ nhất của Minitab, TreeNet ® Gradient Boosting, có khả năng tạo ra các mô hình cực kỳ chính xác một cách nhất quán.

Đối với những người mới sử dụng TreeNet, đây là một triển khai mạnh mẽ của lớp thuật toán học máy hiện đại thường được gọi là Tăng cường độ dốc ngẫu nhiên. Được phát triển bởi Jerome Friedman tại Đại học Stanford, kỹ thuật này được biết đến với độ chính xác dự đoán tuyệt vời. Bí mật nằm ở cách một mô hình được xây dựng: ở mỗi lần lặp lại, một cây nhỏ được thêm vào tập hợp các cây hiện tại để sửa các lỗi kết hợp của tập hợp.

Bằng cách sử dụng nhiều hàm mất mát được cung cấp, quy trình có thể được điều chỉnh cho nhiệm vụ lập mô hình dự đoán cụ thể, như hồi quy bình phương nhỏ nhất, hồi quy mạnh, phân loại, v.v. Để hỗ trợ diễn giải mô hình, TreeNet tiến thêm một bước và tự động tạo nhiều mô hình 2D khác nhau và các biểu đồ 3D để giải thích bản chất của sự phụ thuộc của biến phản hồi vào các đầu vào của mô hình. Mô hình đủ linh hoạt để tự động phát hiện và kết hợp các tương tác phi tuyến tính và đa chiều khác nhau. Một bộ điều khiển khác cho phép người dùng tinh chỉnh các tương tác của mô hình để đáp ứng các mục tiêu thiết kế cụ thể.

Độ chính xác vô song. Công cụ lập mô hình TreeNet của chúng tôi có một mức độ chính xác mà một mô hình đơn lẻ hoặc một tập hợp các mô hình đơn lẻ không thể đạt được, chẳng hạn như đóng bao hoặc tăng tốc thông thường. Phương pháp của chúng tôi không nhạy cảm với lỗi dữ liệu và không yêu cầu chuẩn bị, xử lý trước dữ liệu tốn thời gian hoặc quy nạp các giá trị bị thiếu. Với các phương pháp khác, lỗi dữ liệu có thể là thách thức đối với việc khai thác dữ liệu thông thường và là thảm họa đối với việc tăng cường thông thường. Ngược lại, mô hình TreeNet miễn nhiễm với các lỗi như vậy vì nó tự động từ chối dữ liệu chỉ ra quá nhiều điểm khác biệt với mô hình hiện có hoặc bị nhiễm các nhãn mục tiêu sai.

Những hiểu biết giác ngộ. Tránh các kỹ thuật thử và sai thông thường hoặc đi trong bóng tối về sau. Công cụ lập mô hình TreeNet của chúng tôi cung cấp một tập hợp thông tin chi tiết độc đáo về hoạt động bên trong mô hình của bạn với các biểu đồ phụ thuộc. Biểu đồ phụ thuộc một phần 2D của chúng tôi thể hiện bản chất của các hiệu ứng chính trong khi biểu đồ phụ thuộc một phần 3D của chúng tôi cũng bao gồm các tương tác 2 chiều. Được trang bị những hiểu biết mới do TreeNet tự động phát hiện, bạn sẽ có thể xây dựng các mô hình phân loại và hồi quy có độ chính xác cao nếu cần.

Phát hiện tương tác. Tính năng phát hiện tương tác trong công cụ lập mô hình TreeNet của chúng tôi xác định xem có cần bất kỳ loại tương tác nào trong một mô hình dự đoán hay không. Hệ thống này không chỉ giúp cải thiện hiệu suất của mô hình, thường là đáng kể, mà còn hỗ trợ khám phá và sử dụng những hiểu biết mới có giá trị.