形成模型的强大 MARS® 回归 基函数具有高度适应性,因此模型捕获了与传统多元回归的线性约束的显着偏离。MARS® 回归 轻松处理通常隐藏在高维数据中的复杂数据结构。通过这样做,这种回归建模方法有效地揭示了其他回归方法难以(如果不是不可能的话)揭示的重要数据模式和关系。
与使用树形成模型的预测分析模型不同,来自模型的 MARS® 回归 表示形式与传统多元回归的方程相当。使用这些方程更容易理解响应变量和各个预测变量之间的关系。
MARS® 回归可以帮助您深入洞察各种应用,包括制造质量控制、药物发现、欺诈检测、信用评分和流失预测。使用结果来识别重要变量、检查变量的相对效应以及预测新观测值的响应值。例如,房地产评估人员想了解城市公寓与多个预测变量(包括建筑面积、可用单元数量、建筑年限和到市中心的距离)之间的相关性。
有关其他预测分析模型的说明 MARS® 回归 ,请转到 Minitab 统计软件中的预测分析模型类型。
此命令适用于预测分析模块。单击此处了解更多关于如何激活模块的信息。
如果要尝试使用连续响应变量的参数模型,请使用 拟合回归模型。
若要比较Random Forests®回归模型的性能,请使用 Random Forests® 回归。
要比较 TreeNet® 回归模型的性能,请使用 TreeNet® 回归.
要同时比较多个模型的性能并为模型生成最佳拟合的结果,请使用 发现最佳模型(连续响应)。