分類和迴歸樹
CART®
CART 作為現代資料探勘領域最重要和最常用的工具之一，它是絕佳的分類樹。 CART 及其建模引擎為 Advanced Analytics 進階分析領域帶來創新，開啟了嶄新的資料科學時代。
-
對於不熟悉 CART 的新手來說，它是一種基於 Tree 的演算法， 其原理是根據預測變數的不同值和不同組合， 查找多種用來將資料分區或拆分為更小部分的方式。 CART 選擇效能最佳的拆分，然後以遞迴方式重複此過程，直到找到最佳集合為止。 結果是由一系列二元拆分，通往可由一組特定規則來描述的終端節點所表示的決策樹。 樹狀視覺化呈現且能直覺地解釋，因此您不必成為資料科學家即可理解，同時從中獲得有價值的見解。 CART 模型是為所有級別的使用者設計，可以快速發現一些藉由其他分析工具可能無法發現而隱藏的重要關係。 CART 憑藉其相當理想的原始方法 (包括內建的自動化、易用性、效能和準確性) 在預測分析領域脫穎而出。
專利
CART 方法論是基於史丹佛大學 (Stanford University) 和加州大學伯克利分校 (University of California at Berkeley) 的四位世界知名統計學家於 1984 年所介紹具有里程碑意義的數學理論。 CART 建模引擎是 Minitab 對分類和迴歸樹 (Classification and Regression Trees) 的實現，是唯一一個包含原始專利碼的決策樹軟體。
快速靈活
CART 建模引擎的專利擴展經過精心設計，可增強市場研究和分析結果、支援高速部署並提供即時預測和評分。 在這幾年內，我們的引擎已成為使用最廣泛、也最容易使用的預測建模演算法之一，同時還是許多基於裝箱 (bagging) 和推進 (boosting) 原理的現代資料探勘方法的基礎。
Minitab 內基於樹的模組
無論您是剛起步，還是期望將預測分析能力提高到下一個新水平，Minitab基於樹的模組將能滿足您的需求。
CART®
徹底改變高級分析，並開啟當前數據科學時代的終極分類樹演算法。
Random Forests®
可同時利用多種替代分析、隨機化策略和集成學習的能力。
TreeNet®
最靈活、強大的機器學習工具，能一致地生成極其準確的模型。
準備好探索 Minitab 的預測分析解決方案了嗎?
