Revisión general de MARS^®

Las potentes funciones básicas a partir de las cuales forman modelos son altamente adaptables, de modo que los modelos capturan desviaciones significativas de las restricciones de linealidad de MARS^® la regresión múltiple convencional. MARS^® maneja fácilmente la compleja estructura de datos que a menudo se esconde en datos de alta dimensión. Al hacerlo, este enfoque para el modelado de regresión descubre efectivamente patrones de datos importantes y relaciones que son difíciles, si no imposibles, para que otros métodos de regresión revelen.

A diferencia de los modelos de análisis predictivo que utilizan árboles para formar modelos, los modelos de tienen representaciones comparables a las ecuaciones de MARS^® regresión múltiple convencional. Las relaciones entre la variable de respuesta y los predictores individuales son más fáciles de entender con estas ecuaciones.

MARS^® 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, examinar los efectos relativos de las variables y predecir los valores de respuesta para nuevas observaciones. Por ejemplo, unos tasadores de bienes raíces desean determinar la manera en que el precio de venta de los departamentos urbanos se relaciona con distintas variables predictoras, incluyendo los pies cuadrados, el número de unidades disponibles, la antigüedad del edificio y distancia con respecto al centro de la ciudad.

Para obtener descripciones y otros modelos de MARS^® análisis predictivo, vaya a Tipos de modelos de análisis predictivo en Minitab Statistical Software.