Vue d’ensemble de Régression MARS^®

Les puissantes fonctions de base à partir desquelles forment Régression MARS^® les modèles sont hautement adaptables, de sorte que les modèles capturent des écarts significatifs par rapport aux contraintes de linéarité de la régression multiple conventionnelle. Régression MARS^® gère facilement la structure de données complexe qui se cache souvent dans des données de grande dimension. Ce faisant, cette approche de la modélisation de régression permet de découvrir des modèles et des relations de données importants qui sont difficiles, voire impossibles, à révéler pour d’autres méthodes de régression.

Contrairement aux modèles d’analyse prédictive qui utilisent des arbres pour former des modèles, les modèles ont des Régression MARS^® représentations comparables aux équations de la régression multiple conventionnelle. Les relations entre la variable de réponse et les prédicteurs individuels sont plus faciles à comprendre avec ces équations.

Régression MARS^® fournit des informations pour un large éventail d’applications, notamment le contrôle de la qualité de fabrication, la découverte de médicaments, la détection des fraudes, la notation de crédit et la prédiction du taux d’attrition. Utilisez les résultats pour identifier les variables importantes, pour examiner les effets relatifs des variables et pour prédire les valeurs de réponse pour les nouvelles observations. Par exemple, les évaluateurs immobiliers veulent voir comment le prix de vente des appartements urbains est associé à plusieurs variables prédictives, notamment la superficie en pieds carrés, le nombre d’unités disponibles, l’âge de l’immeuble et la distance par rapport au centre-ville.

Pour obtenir une description de Régression MARS^® et d’autres modèles d’analyse prédictive, reportez-vous à la section Types de modèles d’analyse prédictive dans Minitab Statistical Software.