Verwenden Sie diese Verwendung, um die Leistung von 4 gängigen Modelltypen zu vergleichen:
Regressionsmodell
anpassen,
CART®
RegressionAnpassen des
Modells für und
TreeNet®
RegressionRandom
Forests® Regression. Verwenden Sie , um einen Entscheidungsbaum für eine stetige Antwort mit vielen kategorialen oder stetigen Prädiktorvariablen zu erstellen.
- Regressionsmodell
anpassen erstellt ein Modell mit der methode für die gewöhnlichen kleinsten Quadrate. Die methode für die gewöhnlichen kleinsten Quadrate ist eine parametrische Methode, was bedeutet, dass die Analyse auf mehr Annahmen basiert als eine nicht-parametrische Methode, die an das Modell passt. Regressionsmodelle machen oft genaue Vorhersagen. Darüber hinaus bieten Regressionsmodelle eine Vorhersagegleichung, die eine relativ einfache Erklärung der Beziehungen zwischen den Prädiktoren und der Antwortvariablen liefert. Eine Gleichung vereinfacht die Identifizierung optimaler Einstellungen für Prädiktoren.
- CART®
Regression erstellt ein Modell aus einer Entscheidungsstruktur. CART®
Regression veranschaulicht wichtige Muster und Beziehungen zwischen einer stetigen Antwortvariablen und wichtigen Prädiktoren innerhalb hochkomplizierter Daten, ohne parametrische Methoden zu verwenden. Entscheidungsstrukturen sind ein weiteres Werkzeug, das dazu beiträgt, die Beziehung zwischen den Prädiktoren und der Antwort zu klären.
- TreeNet®
Regression und sind revolutionäre Fortschritte in der Random
Forests® Regression Data-Mining-Technologie. Dieses flexible und leistungsstarke Data-Mining-Werkzeug ist in der Lage, einheitlich, in überragender Geschwindigkeit und mit hoher Toleranz für ungeordnete und unvollständige Daten äußerst exakte Modelle zu erstellen.
Regressionsmodell
anpassen
Bei einem Vergleich der 4 Modelltypen können Sie bestimmen, ob ein Typ die anderen Typen in Bezug auf die Vorhersagegenauigkeit für einen bestimmten Datensatz übertrifft.
Immobiliengutachter möchten z. B. herausfinden, in welcher Beziehung der Verkaufspreis von Apartments in der Stadt zu mehreren Prädiktorvariablen wie der Wohnfläche, der Anzahl verfügbarer Einheiten, dem Alter des Gebäudes und der Entfernung zum Stadtzentrum steht. Die Prüfer vergleichen die Leistung der verschiedenen Modelltypen, um zu entscheiden, wie die genauesten Vorhersagen zu erhalten sind.
Wo finde ich diese Analyse?
Um die 4 Modelltypen zu vergleichen, wählen Sie .
In welchen Fällen bietet sich eine andere Analyse an?
Wenn Sie über eine binäre Antwortvariable verfügen, verwenden Sie Übersicht über.