TreeNet^®

Potenciación De Gradientes

La herramienta de aprendizaje de máquina más flexible, galardonada y potente de Minitab, TreeNet^® Gradient Boosting, es capaz de generar de manera consistente modelos extremadamente exactos.

Para quienes no están familiarizados con TreeNet, se trata de una implementación efectiva de la clase moderna de algoritmos de aprendizaje de máquina conocida generalmente como “potenciación estocástica de gradientes”. Desarrollada por Jerome Friedman en la Universidad de Stanford, la técnica es conocida por su excelente exactitud predictiva. El secreto está en la forma en que se construye un modelo: en cada iteración, se agrega un pequeño árbol a la agrupación actual de árboles para corregir los errores combinados de la agrupación.

Utilizando la variedad de funciones de pérdida suministradas, el proceso se puede ajustar para la tarea específica de modelado predictivo, como regresión de mínimos cuadrados, regresión robusta, clasificación, etc. Para ayudar con la interpretación del modelo, TreeNet va un paso más allá y genera automáticamente diversas gráficas 2D y 3D para explicar la naturaleza de la dependencia de la variable de respuesta con respecto a las entradas del modelo. El modelo es lo suficientemente flexible como para descubrir e incorporar automáticamente diversas no linealidades e interacciones de múltiples factores. Un conjunto adicional de controles permite al usuario ajustar con precisión las interacciones del modelo para cumplir con los objetivos específicos de diseño.

Exactitud incomparable

Nuestro motor de modelado TreeNet posee un grado de exactitud que generalmente no se puede lograr con un modelo individual ni con agrupaciones, como el “bagging” o la potenciación convencional. Nuestra metodología no es sensible a los errores en los datos y no requiere las lentas tareas de preparación de datos, preproceso o imputación de valores faltantes. Con otros métodos, los errores en los datos pueden ser problemáticos para la minería convencional de datos y catastróficos para la potenciación convencional. Por el contrario, el modelo TreeNet es inmune a tales errores, ya que rechaza dinámicamente los datos que apuntan demasiado a la varianza con el modelo actual o que están contaminados con etiquetas de destino erróneas.

Información esclarecedora

Evite las técnicas convencionales de “ensayo y error” o “andar a tientas” de ahora en adelante. Nuestro motor de modelado TreeNet ofrece un conjunto único de perspectivas sobre el funcionamiento interno de sus modelos con gráficas de dependencia. Nuestras gráficas de dependencia parcial 2D muestran la naturaleza de los efectos principales, mientras que nuestras gráficas de dependencia parcial 3D también incluyen las interacciones de dos factores. Contando con la nueva información descubierta automáticamente por TreeNet, podrá crear modelos de regresión y clasificación sumamente precisos si es necesario.

Detección de interacciones

La detección de interacciones de nuestro motor de modelado TreeNet establece si se necesitan interacciones de cualquier tipo en un modelo predictivo. Este sistema no solo ayuda a mejorar (con frecuencia enormemente) el rendimiento del modelo, sino que también ayuda en el descubrimiento y el uso de nueva información valiosa.

¿Le interesa probar el motor de modelado más premiado, TreeNet?

Hable con Minitab

Métodos de Minitab basados en árboles

Ya sea que recién esté comenzando o que desee llevar sus capacidades de analítica predictiva al siguiente nivel, los motores de modelado de Minitab basados en árboles le ofrecen la potencia que necesita.

Obtenga más información sobre todas las soluciones de analítica predictiva de Minitab