Aviso
Ahora estás saliendo de support.minitab.com.
Haga clic en Continuar para continuar con:
Este comando está disponible con el Módulo de análisis predictivo. Haga doble clic aquí para obtener información sobre cómo activar el módulo.
Utilice Regresión TreeNet® para producir árboles de regresión con potenciación del gradiente para una respuesta continua con muchas variables predictoras continuas y categóricas. La Regresión TreeNet® es un avance revolucionario en la tecnología de minería de datos desarrollado por Jerome Friedman, uno de los investigadores de minería de datos más destacados del mundo. Esta herramienta flexible y potente de minería de datos es capaz de generar consistentemente modelos extremadamente precisos con una velocidad excepcional y una alta tolerancia a datos desordenados e incompletos.
Por ejemplo, un investigador médico puede utilizar Regresión TreeNet® para identificar pacientes que tengan tasas de respuesta más altas a tratamientos específicos y para predecir esas tasas de respuesta.
Regresión CART® es una buena herramienta de análisis exploratorio de datos y proporciona un modelo fácil de entender para identificar predictores importantes rápidamente. Sin embargo, después de la exploración inicial con Regresión CART®, considere la Regresión TreeNet® como un paso de seguimiento necesario. La Regresión TreeNet® proporciona un modelo de alto rendimiento y más complejo que puede consistir en varios cientos de árboles pequeños. Cada árbol contribuye con una pequeña cantidad al modelo general. Según los resultados de Regresión TreeNet®, se puede obtener información sobre la relación entre una respuesta continua y los predictores importantes de muchos predictores candidatos, y predecir las respuestas a nuevas observaciones con gran exactitud.
El análisis Regresión TreeNet® proporciona gráficas de dependencia parcial para uno y dos predictores. Estas gráficas le ayudan a evaluar cómo los cambios de las variables predictoras clave afectan a los valores de respuesta. Por lo tanto, esta información puede ser útil para controlar la configuración que permita un resultado óptimo de producción.
Para una introducción más completa a la metodología CART®, véase Breiman, Friedman, Olshen y Stone (1984)1 y 2.
Utilice Ajustar modelo para construir un modelo individual de árboles de regresión con potenciación del gradiente para una respuesta continua con muchas variables predictoras continuas y categóricas. Los resultados son para el modelo del proceso de aprendizaje con el valor máximo de R2 o la desviación absoluta mínima.
Utilice Descubrir predictores clave para eliminar los predictores menos importantes del conjunto de predictores que ingrese para el modelo. La eliminación de los predictores menos importantes ayuda a aclarar los efectos de los predictores más importantes y mejora la precisión de la predicción. El algoritmo elimina los predictores menos importantes de forma escalonada, muestra los resultados que le permiten comparar modelos con diferentes números de predictores y produce resultados para el conjunto de predictores con el mejor valor del criterio de precisión.
Por ejemplo, un químico utiliza Descubrir predictores clave para identificar automáticamente una docena de predictores de un conjunto de 500 predictores que modelan eficazmente la viscosidad en una nueva mezcla de combustible.
Descubrir predictores clave también puede eliminar los predictores más importantes para evaluar cuantitativamente el efecto de cada predictor importante en la precisión de predicción de un modelo.
Para realizar Ajustar modelo, elija .
Para realizar un Descubrir predictores clave, elija .
Si desea probar un modelo de regresión paramétrica con una variable de respuesta continua, utilice Ajustar modelo de regresión.
Para comparar el rendimiento de un modelo de regresión Random Forests®, utilice Regresión Random Forests®.
Ahora estás saliendo de support.minitab.com.
Haga clic en Continuar para continuar con: