Resumen de Cart® Clasificación

Usar: Cart® Clasificación para crear un árbol de decisión para una respuesta categórica binomial o multinomial con muchos predictores categóricos o continuos. el Cart® Clasificación ilustra patrones y relaciones importantes entre una respuesta categórica y predictores importantes dentro de datos muy complicados, sin usar métodos paramétricos.

Cart® Clasificación proporciona información para una amplia gama de aplicaciones, incluido el control de calidad de fabricación, el descubrimiento de fármacos, la detección de fraudes, la puntuación de crédito y la predicción de abandonos. Utilice los resultados para identificar variables importantes, para identificar grupos en los datos con características deseables y para predecir valores de respuesta para nuevas observaciones. Por ejemplo, un investigador de mercado puede utilizar Cart® Clasificación identificar a los clientes que tienen tasas de respuesta más altas a iniciativas específicas y predecir esas tasas de respuesta.

Cart® Clasificación es la única metodología de árbol de decisión que utiliza el código original de profesores de renombre mundial de la Universidad de Stanford y la Universidad de California en Berkeley. Mientras que los árboles de decisión con varios algoritmos son herramientas populares, el CART® metodología de producción de árboles de decisión se distingue a través de sus características y rendimiento. El CART® metodología sigue siendo propietaria e incluye mejoras de décadas de experiencia con aplicaciones prácticas.

Para una introducción más completa al CART® metodología, véase Breiman, Friedman, Olshen y Stone (1984)1.

Dónde encontrar este análisis

Para realizar una Cart® ClasificaciónElegir Estadísticas > Análisis predictivo > CART® Clasificación.

Cuándo utilizar un análisis alternativo

Si tiene una variable de respuesta continua, utilice CART® Regresión.

1 Breiman, Friedman, Olshen & Stone. (1984). Arboles de clasificación y regresión. Boca Raton, Florida: Chapman & Hall/CRC.
Al utilizar este sitio, usted acepta el uso de cookies para efectos de análisis y contenido personalizado.  Leer nuestra política