TreeNet®
Boosting De Gradient
L'outil récompensé d'auto-apprentissage par la machine le plus flexible et puissant de Minitab, le boosting de gradient TreeNet®, est capable de générer des modèles ultra précis.
Pour ceux qui ne connaissent pas TreeNet, il s'agit d'une stratégie basée sur des algorithmes modernes d'auto-apprentissage par la machine, plus connue sur le nom de boosting de gradient stochastique. Mise au point par Jerome Friedman de l'Université de Stanford, cette technique est saluée pour ses prévisions ultra précises. Le secret réside dans la conception du modèle : à chaque itération, un petit arbre est ajouté à l'ensemble existant afin d'en corriger les erreurs combinées.
A l'aide des diverses fonctions de perte fournies, le processus peut être adapté à la tâche de modélisation prédictive souhaitée (régression sur les moindres carrés, régression robuste, classification, etc.). TreeNet va plus loin dans l'interprétation de modèles en générant automatiquement des graphiques en 2D et en 3D afin d'expliciter la dépendance de la variable de réponse sur les entrées de modèle. Le modèle est suffisamment flexible pour découvrir et mettre en oeuvre automatiquement des éléments non linéaires et des interactions sur plusieurs niveaux. D'autres moyens de contrôle permettent à l'utilisateur d'ajuster les interactions de modèle en fonction d'objectifs de conception spécifiques.
Une précision sans égal
Notre moteur de modélisation TreeNet offre un degré de précision qu'un modèle unique ou des ensembles, tels que l'agrégation de bootstrap ou le boosting conventionnel, ne peuvent normalement pas atteindre. Notre méthodologie n'est pas sensible aux erreurs de données et vous épargne toute perte de temps liée aux tâches de préparation des données, de prétraitement ou d'imputation des valeurs manquantes. Avec d'autres méthodes, les erreurs de données peuvent être très problématiques pour les méthodes d'exploration de données conventionnelles et catastrophiques pour le boosting conventionnel. Le modèle TreeNet est immunisé contre de telles erreurs, dans la mesure où il rejette dynamiquement les données qui s'écartent trop du modèle existant ou comportent des libellés cibles erronés.
Des informations pertinentes
AA partir de maintenant, dites adieu aux traditionnelles approches par tâtonnement. Notre moteur de modélisation TreeNet vous offre une vision unique des rouages de vos modèles en lien avec les parcelles de dépendance. Nos parcelles de dépendance partielles en 2D révèlent la nature des principaux effets, tandis que celles en 3D incluent également des interactions à deux facteurs. Grâce aux nouvelles données découvertes automatiquement par TreeNet, vous serez en mesure de créer des modèles de régression et de classification précis, le cas échéant.
Détection d'interactions
La détection d'interactions au sein de notre moteur de modélisation TreeNet établit si des interactions de quelque type que ce soit sont requises dans un modèle prédictif. En plus de considérablement améliorer les performances du modèle, ce système contribue à la découverte et l'utilisation de renseignements précieux.
Vous souhaitez tester le moteur de modélisation le plus récompensé, TreeNet?
Méthodes fondées sur les arbres de Minitab
Que vous débutiez ou que vous cherchiez à perfectionner votre analyse prédictive, les moteurs de modélisation fondés sur les arbres de Minitab sont faits pour vous.
En savoir plus sur les solutions d'analyse prédictive de Minitab
CART®
L'arbre de classification qui a révolutionné le domaine de l'analyse avancée, ouvrant une nouvelle ère dans le domaine de la science des données.
Random Forests®
Le moteur qui s'appuie sur plusieurs analyses alternatives, sur des stratégies de randomisation et sur l'apprentissage ensembliste, le tout dans une plate-forme unique.
TreeNet®
L'outil d'auto-apprentissage par la machine le plus flexible et puissant capable de générer des modèles ultra précis.