Hinweis
Sie verlassen jetzt support.minitab.com.
Klicken Sie auf Weiter, um fortzufahren:
Verwenden Sie CART® Klassifikation, um einen Entscheidungsbaum für eine binomiale oder multinomiale kategoriale Antwort mit vielen kategorialen oder stetigen Prädiktorvariablen zu erstellen. CART® Klassifikation veranschaulicht wichtige Muster und Beziehungen zwischen einer kategorialen Antwortvariablen und wichtigen Prädiktoren innerhalb hochkomplizierter Daten, ohne parametrische Methoden zu verwenden.
CART® Klassifikation bietet Einblicke für eine breite Palette von Anwendungen, einschließlich Qualitätskontrolle in der Fertigung, Wirkstofferkennung, Betrugserkennung, Bonitätsbewertung und Abwanderungsprognose. Verwenden Sie die Ergebnisse, um wichtige Variablen zu identifizieren, Gruppen in den Daten mit wünschenswerten Merkmalen zu ermitteln und Werte der Antwortvariablen für neue Beobachtungen zu prognostizieren. Ein Marktforscher kann CART® Klassifikation beispielsweise verwenden, um Kunden mit höheren Rücklaufquoten für bestimmte Initiativen zu identifizieren und diese Rücklaufquoten zu prognostizieren.
Eine umfassendere Einführung in die CART®-Methodik finden Sie in Breiman, Friedman, Olshen und Stone (1984)1.
Um CART® Klassifikation auszuführen, wählen Sie aus.
Wenn Sie über eine stetige Antwortvariable verfügen, verwenden Sie CART® Regression.
Um zu versuchen, die Anpassung des Baumes zu verbessern, bietet Minitab TreeNet®-Klassifikation und Random Forests®-Klassifikation-Analysen mit dem Predictive Analytics-Modul. Klicken Sie hier, um weitere Informationen zum Aktivieren des Moduls zu erhalten.
Sie verlassen jetzt support.minitab.com.
Klicken Sie auf Weiter, um fortzufahren: