Visão geral para Classificação Random Forests^®

Use Classificação Random Forests^® para criar um modelo de predição de alto desempenho para uma resposta categórica com muitas variáveis preditoras contínuas e categóricas. Classificação Random Forests^® combina informações de muitas árvores CART® para proporcionar um avanço substancial na tecnologia de mineração de dados.

Classificação Random Forests^® oferece insights para uma grande variedade de aplicações, incluindo controle de qualidade de fabricação, descoberta de drogas, detecção de fraudes, pontuação de crédito e predição de rotatividade. Use os resultados para identificar variáveis importantes, identificar grupos nos dados com características desejáveis e predizer os valores de resposta para novas observações. Por exemplo, um pesquisador de mercado pode usar Classificação Random Forests^® para identificar clientes que têm taxas de resposta mais altas a iniciativas específicas e predizer essas taxas de resposta.

Classificação CART^® é uma boa ferramenta de análise exploratória de dados e oferece um modelo fácil de entender para identificar rapidamente preditores importantes. No entanto, após a exploração inicial com Classificação CART^®, considere Classificação TreeNet^® ou Classificação Random Forests^® como um passo de acompanhamento necessário.

A saída de Classificação Random Forests^® inclui gráficos de importância relativa da variável, curvas ROC e gráficos de elevação e ganho. Esses gráficos ajudam a avaliar se as variáveis do modelo predizem as classes de resposta com alta precisão e ajudam a identificar os preditores mais importantes para a exatidão da predição. Essas informações são úteis quando você deseja controlar as configurações que permitem um resultado de produção ótimo.

O método foi desenvolvido por Leo Breiman e Adele Cutler da Universidade da Califórnia, Berkeley.