Visão geral para Regressão Random Forests^®

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

Regressão 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 Regressão Random Forests^® para identificar clientes que têm taxas de resposta mais altas a iniciativas específicas e predizer essas taxas de resposta.

Regressão 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 Regressão CART^®, considere Regressão TreeNet^® ou Regressão Random Forests^® como um passo de acompanhamento necessário.

a saída Regressão Random Forests^® inclui gráficos de importância variável relativa e gráficos reais vs. ajustados 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.