Lista de recursos

Recursos do CART®:

• Detecção de hotspots para descobrir as partes mais importantes da árvore e as regras de árvore correspondentes
• Medições de importância de variáveis para compreender as variáveis mais importantes da árvore
• Implante o modelo e gere previsões em tempo real ou não
• Divisões definidas pelo usuário em qualquer ponto da árvore
• Modelamento de levantamento diferencial (também chamado de “uplift” ou “resposta incremental”) para avaliar a eficácia de um tratamento
• Ferramentas de automação para ajuste de modelo e outros experimentos, incluindo
• Eliminação recursiva de recursos automática para seleção avançada de variáveis
• Experimente com probabilidades a priori para obter um modelo com melhores taxas de precisão para a classe mais importante
• Execute validação cruzada repetida
• Crie modelos CART em amostras por bootstrap
• Crie dois modelos vinculados, onde o primeiro prevê um evento binário enquanto que o segundo prevê um valor numérico. Por exemplo, para prever se alguém vai comprar e quanto vai gastar.
• Descubra o impacto de diferentes partições de aprendizado e teste

Recursos do MARS®:

• Compreenda graficamente como as variáveis afetam a resposta do modelo
• Determine a importância de uma variável ou conjunto de variáveis que interagem
• Implante o modelo e gere previsões em tempo real ou não
• Ferramentas de automação para ajuste de modelo e outros experimentos, incluindo
• Eliminação recursiva de recursos automática para seleção avançada de variáveis
• Avalie automaticamente o impacto das seguintes interações no modelo
• Encontre facilmente o melhor valor de intervalo mínimo
• Execute validação cruzada repetida
• Descubra o impacto de diferentes partições de aprendizado e teste

Recursos do TreeNet®:

• Compreenda graficamente como as variáveis afetam a resposta do modelo com gráficos de dependência parcial
• Funções de perda de regressão: quadrados mínimos, desvio absoluto mínimo, quantil, Huber-M, sobrevivência de Cox, função gama, binomial negativa, Poisson e Tweedie
• Funções de perda de classificação: binário ou multinomial
• Modelamento de levantamento diferencial (também chamado de “uplift” ou “resposta incremental”)
• Subamostragem de coluna para melhorar o desempenho do modelo e acelerar o tempo de execução.
• Aumento de gradiente regularizado (RGBOOST) para melhorar a precisão.
• RuleLearner: crie modelos de regressão interpretáveis ao combinar aumento de gradiente TreeNet e regressão regularizada (LASSO, Elastic Net, Ridge, etc.)
• ISLE: Crie modelos de aumento de gradiente menores e mais eficazes com regressão regularizada (LASSO, Elastic Net, Ridge, etc.)
• Controle de descoberta de interação variável
• Determine definitivamente se interações de qualquer grau devem ser incluídas
• Controle as interações permitidas ou impedidas no modelo com a linguagem de controle de interações patenteada da Minitab
• Descubra as interações mais importantes no modelo
• Ferramentas de calibração para modelamento de evento raro
• Ferramentas de automação para ajuste de modelo e outros experimentos, incluindo
• Eliminação recursiva de recursos automática para seleção avançada de variáveis
• Experimente diferentes taxas de aprendizado automaticamente
• Controle a quantidade de interações que ocorrem no modelo
• Crie dois modelos vinculados, onde o primeiro prevê um evento binário enquanto que o segundo prevê um valor numérico. Por exemplo, para prever se alguém vai comprar e quanto vai gastar.
• Encontre os melhores parâmetros em seu modelo de aumento de gradiente regularizado
• Execute uma pesquisa estocástica para os parâmetros principais de aumento de gradiente
• Descubra o impacto de diferentes partições de aprendizado e teste

Recursos do Random Forests®:

• Use para classificação, regressão ou agrupamento
• Detecção de outlier
• Mapa de concentração e escala multidimensional para determinar graficamente agrupamentos nos problemas de classificação (binário ou multinomial)
• Gráfico de coordenadas paralelas para melhor compreensão de quais níveis de valor de preditor levam a uma atribuição de classe específica
• Imputação avançada de valores perdidos
• Aprendizado sem supervisão: O Random Forest cria a matriz de proximidade e depois as técnicas de agrupamento hierárquico são aplicadas
• Medições de importância de variáveis para compreender as variáveis mais importantes do modelo
• Implante o modelo e gere previsões em tempo real ou não
• Ferramentas de automação para ajuste de modelo e outros experimentos, incluindo
• Eliminação recursiva de recursos automática para seleção avançada de variáveis
• Ajuste detalhado fácil do tamanho do subconjunto aleatório tomado em cada divisão de cada árvore
• Avalie o impacto de diferentes tamanhos de amostras por bootstrap
• Descubra o impacto de diferentes partições de aprendizado e teste