功能列表

CART® 功能：

• 检测热点，用于发现树上最重要的部分和相应的树规则
• 度量变量重要性，用于了解树中最重要的变量
• 实时或以其他方式部署模型和生成预测
• 在树中的任意点处按用户定义进行拆分
• 差动提升（又称为“上升”或“增量响应”）建模，用于评估治疗效力
• 自动化工具，用于调整模型和包括其他试验
• 自动递归功能消除，用于高级变量选择
• 用先验概率进行试验，用于获取可针对更重要的类获得更高准确率的模型
• 反复执行交叉验证
• 基于自引导样本构建 CART 模型
• 构建两个链接模型，用第一个预测二元事件，用第二个预测数值。例如，预测某人是否将购物以及将花费的金额。
• 发现不同学习和检验分区带来的影响

MARS® 功能：

• 以图形方式了解变量对模型响应的影响
• 确定变量或一组发生交互作用的变量的重要性
• 实时或以其他方式部署模型和生成预测
• 自动化工具，用于调整模型和包括其他试验
• 自动递归功能消除，用于高级变量选择
• 自动评估在模型中允许交互作用所带来的影响
• 轻松查找最佳的最小跨越值
• 反复执行交叉验证
• 发现不同学习和检验分区带来的影响

TreeNet® 功能：

• 使用部分依赖图以图形方式了解变量对模型响应的影响
• 回归损失函数：最小二乘、最小绝对偏差、分位数、Huber-M、Cox 生存、Gamma、负二项式、Poisson 和 Tweedie
• 分类损失函数：二元或多项式
• 差动上升（又称为“上升”或“增量响应”）建模
• 列二次抽样，可改进模型性能并加快运行。
• 正则化梯度推进 (RGBOOST)，可提高准确度。
• RuleLearner：通过组合 TreeNet 梯度推进和正则化回归（LASSO、弹性网络、岭等）来构建可解释的回归模型
• ISLE：使用正则化回归（LASSO、弹性网络、岭等）构建更小、更高效的梯度推进模型
• 可变交互作用发现控制
• 明确确定是否需要包括任何程度的交互作用
• 使用 Minitab 的专利交互作用控制语言来控制模型中允许或禁止的交互作用
• 发现模型中最重要的交互作用
• 适用于罕见事件建模的校准工具
• 自动化工具，用于调整模型和包括其他试验
• 自动递归功能消除，用于高级变量选择
• 自动使用不同的学习速率进行试验
• 控制模型中发生的交互作用程度
• 构建两个链接模型，用第一个预测二元事件，用第二个预测数值。例如，预测某人是否将购物以及将花费的金额。
• 在正则化梯度推进模型中查找最佳参数
• 针对核心梯度推进参数执行随机搜索
• 发现不同学习和检验分区带来的影响

Random Forests® 功能：

• 用于分类、回归或聚类
• 异常值检测
• 接近性热图和多维尺度，以图形方式确定分类问题中的聚类（二元或多项式）
• 平行坐标图，可以更好地了解哪些水平的预测变量值导致了特定类别的分配
• 高级缺失值插补
• 无监督学习：Random Forest 创建临近度矩阵，随后应用分层聚类方法
• 度量变量重要性，用于了解模型中最重要的变量
• 实时或以其他方式部署模型和生成预测
• 自动化工具，用于调整模型和包括其他试验
• 自动递归功能消除，用于高级变量选择
• 轻松微调在每个树中的每个分割处提取的随机子集大小
• 评估不同自引导样本大小所造成的影响
• 发现不同学习和检验分区带来的影响