菜单

梯度推进

TreeNet®

TreeNet® 梯度推进是 Minitab 最灵活、获得最多奖项、最强大的机器学习工具,能够按照统一的方式生成非常准确的模型。

对于不熟悉 TreeNet 的用户来说,它是现代机器学习算法(通常称为随机梯度推进)类的强大实施。该方法由斯坦福大学的 Jerome Friedman 开发,以其出色的预测准确性而闻名。秘诀在于构建模型的方式:在每次迭代中,将一个小树添加到当前的树集成中,以更正该集成的合并错误。

利用所提供的各种损失函数,可以针对特定的预测建模任务(如最小二乘回归、稳健回归、分类等)对过程进行调整。为协助解释模型,TreeNet 进一步改进,可自动生成各种 2D 和 3D 图以解释响应变量对模型输入的依赖性。模型足够灵活,可自动发现和合并各种非线性的多向交互作用。另一组控件允许用户微调模型交互作用以满足特定的设计目标。

无与伦比的准确性

我们的 TreeNet 建模引擎准确性很高,通过单一模型或集成方法(如装袋或传统的推进)通常很难达到同等准确度。我们的方法对数据错误不敏感,不需要花费太多时间准备数据,也不需要预处理或者插补缺失值。在使用其他方法时,数据错误对传统的数据挖掘方法具有极大的挑战性,对传统推进方法的影响是灾难性的。相比之下,TreeNet 模型可以不受类似错误的影响,因为它可以动态拒绝与现有模型差异太大或者被错误目标标签污染的数据。

启发性见解

避免继续使用传统的试错或“摸黑走”方法。我们的 TreeNet 建模引擎通过依赖图针对模型的内部工作原理提供了一组独特的见解。我们的 2D 部分依赖图显示了主效应的性质,而 3D 部分依赖图还包含双因子交互作用。拥有 TreeNet 自动发现的新见解后,您将能够根据需要构建高度准确的回归和分类模型。

交互作用检测

TreeNet 建模引擎内的交互作用检测功能可以确定预测模型中是否需要任何种类的交互作用。此系统不仅可以帮助改进模型性能(通常是非常显著的改进),而且还有助于发现并使用有价值的新见解。

是否有兴趣尝试使用获得最多奖项的

建模引擎 TreeNet?

Minitab 的基于树的方法

无论您是刚刚起步还是希望将您的预测分析功能提升到新水平,Minitab 的基于树的建模引擎都将为您提供所需的功能。 

了解有关 Minitab 的所有预测分析解决方案的更多信息

CART

CART®

绝佳的分类树算法,为高级分析领域带来创新,开启了崭新的数据科学时代。

Random Forest

Random Forests®

能够方便地在一个位置利用多个备选分析、随机化策略和集成学习方法。

TreeNet

TreeNet®

最灵活、最强大的机器学习工具,能够按照统一的方式生成非常准确的模型。

是否准备好了解 Minitab 的预测分析解决方案?

clear