梯度提升
TreeNet®
Minitab最有彈性、受譽且最強大的機器學習工具: TreeNet® GRADIENT BOOSTING(梯度提升)，能夠一致地生成極致的精確模型。
-
對於新的TreeNet功能，為現代機器學習演算法類別中，廣為人知的隨機梯度提升的實現。 由史丹佛大學Jerome Friedman開發，該技術因其出色的預測準確性而聞名。 模型的秘密藏於建模過程中:在每個遞迴/迭代時，一顆小樹被加入至目前的樹，來修正其綜合誤差。 藉由調整已提供的損失函數類型，程序可調為針對各種預測模型課題，如最小平方迴歸、穩健迴歸、分類...等。 為了協助模型解釋，TreeNet更進一步且自動的生成多種2D、3D圖，用於解釋結果變數於模型輸入變數的一些相關現象。 此模型有足夠的彈性用於自動地發現並合併多種非線性、多重交互作用。另一套控件允許使用者微調模型交互作用，來達到具體的設計目標。
無與倫比的準確性
CART的方法基於具有里程碑意義的數學理論，於1984年由四位全球知名、來自史丹佛大學與柏克萊加利福尼亞大學的統計學家。 CART模型的引擎:Minitab分類與迴歸樹的實現，是唯一具體化原始專利程式碼的決策樹軟體。
開明見解
TreeNet模型的準確性，通常單一模型無法達到，像是重抽法(bagging)與傳統梯度法。 此方法對資料錯誤不敏感，且不需消耗大量的時間準備資料、資料前處理、遺失值的估算等。 其他方法中，資料錯誤對傳統資料採礦而言具有挑戰性，而對傳統梯度法則造成巨大災難。 相比之下，TreeNet模組對這類型的錯誤免疫，因為它會拒絕與現有模型有太大差異，或被錯誤的目標標籤影響的數據。
交互作用偵測
在TreeNet模組內的交互作用偵測，提供建立預測模型時需要的各種交互作用形式。 此系統不只能動態的方式幫助改善模型成效，也有助於發展與有價值新見解的使用。
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?
