CART 决策树为数据驱动型决策提供了强大的可视化效果

MinitabChina

什么是CART？
CART 是一种用于数据挖掘、预测建模和数据预处理的强大决策树工具。

CART 自动搜索重要的模式和关系，甚至在非常复杂的数据中也能发现隐藏的结构。CART 使用直观的界面，使技术和非技术用户都可以访问它。

有效的树增长方法
CART 引入了几种新的树增长方法，包括基尼法和二分法。为了涵盖范围广泛的问题，CART 还包括处理有序类别数据和概率树增长的特殊规定。

强大的二元拆分搜索方法
CART 树特意将自己限制为数据的双向拆分，有意避免其他方法中常见的多向拆分。这些二元决策树以比多向拆分更慢的速度将数据拆分为小段，从而在留给分析的数据过少之前检测出更多的结构。使用多向拆分的决策树会快速拆分数据，使得很难检测出只在更大范围的数据值中可见的模式。

高效的修剪策略
CART 引入了几种新的树增长方法，包括基尼法和二分法。为了涵盖范围广泛的问题，CART 还包括处理有序类别数据和概率树增长的特殊规定。

自动的自检程序
在搜索数据中的模式时，必须避免“过度拟合”的陷阱，即找到只适用于训练数据的模式。CART 的嵌入式测试规程确保发现的模式在应用于新数据时仍然有效。此外，测试和选择最优树是 CART 算法的一个必需部分。在其他决策树技术中，测试只在发现问题后选择性地进行，且树选择完全基于训练数据的计算。

备择拆分标准
对于单变量拆分标准，CART 包括分类树的基尼、二分、熵和类别概率，回归树的最小二乘和最小绝对偏差。默认的基尼方法通常表现最好，但您的分析中可考虑的方法并非只有基尼。在某些情况下，二分方法将生成更直观的树。

强大的功能使决策更轻松
除了 CART，Minitab® Statistical Software 还提供了一套全面的统计方法和数据可视化选项，使您能够做出明智的决策，从而获得更好的业务成果。

更明智的决策

由于新增预测分析工具分类和回归树 (CART)，分析工具包变得更出色、更强大，它可以辅助您的决策、主动改进过程，从而提供更好的结果并避免代价高昂的错误。作为使用最广泛、最有用的预测工具之一，CART 现已推出，该工具使用起来非常便捷，即便您不是数据科学家，也可以使用。





更快的性能

借助验证，快速评估回归模型的准确度。轻松、快速将您的数据重新抽样或分割至测试集和训练集，然后以前所未有的速度评估模型预测准确度。





前所未有的简单

借助开源集成，在 Minitab Statistical Software 中将 Python 及R脚本与您的 Minitab 数据和分析功能轻松整合。在界面中或者借助宏，利用相关功能扩展并进一步研究分析可能性。借助 Minitab，更加轻松地与数据科学家进行协作，以解决更多问题。





登录Minitab官网可下载免费试用30天