Lista de recursos

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