TreeNet®
Gradient Boosting
TreeNet® Gradient Boosting ist das flexibelste, am meisten ausgezeichnete und leistungsstärkste Minitab-Werkzeug für maschinelles Lernen, mit dem zuverlässig extrem genaue Modelle erstellt werden können.
TreeNet ist eine leistungsstarke Implementierung der modernen Algorithmenklasse für maschinelles Lernen, die allgemein als stochastisches Gradient Boosting bezeichnet wird. Das Verfahren wurde von Jerome Friedman an der Stanford University entwickelt und ist für seine hohe Prognosegenauigkeit bekannt. Das Geheimnis liegt darin, wie ein Modell erstellt wird: Bei jeder Iteration wird dem vorhandenen Baumensemble ein weiterer kleiner Baum hinzugefügt, um die kombinierten Fehler des Ensembles zu korrigieren.
Mit Hilfe einer Vielzahl von Verlustfunktionen kann der Prozess präzise auf bestimmte Aufgaben der prädiktiven Modellerstellung abgestimmt werden, z. B. mit der Regression kleinster Quadrate, robusten Regression, Klassifikation usw. Zur Unterstützung bei der Interpretation der Modelle geht TreeNet noch einen Schritt weiter und generiert verschiedene 2D- und 3D-Plots, anhand derer die Abhängigkeit der Antwortvariablen von den Modelleingaben erklärt wird. Das Modell ist flexibel genug, um verschiedene nicht lineare Beziehungen und Wechselwirkungen mit mehreren Faktoren automatisch zu erkennen und zu berücksichtigen. Mit weiteren Steuerelementen kann der Benutzer Modellinteraktionen optimieren, um bestimmte Designziele zu erfüllen.
Unvergleichliche Genauigkeit
Das TreeNet-Modellierungsmodul ermöglicht einen Grad an Genauigkeit, der normalerweise nicht mit einem einzelnen Modell oder Ensembles wie Bagging oder herkömmlichem Boosting erreicht werden kann. Die TreeNet-Methode ist robust im Bezug auf Datenfehler und benötigt keine zeitaufwändige Vorbereitung der Daten, Aufbereitung oder Imputation fehlender Werte. Bei anderen Methoden können Datenfehler für herkömmliche Data Mining-Verfahren eine große Herausforderung darstellen und für das herkömmliche Boosting katastrophale Auswirkungen haben. Das TreeNet-Modell ist hingegen immun gegen solche Fehler, da Daten, die zu weit vom vorhandenen Modell abweichen oder durch falsche Zielbezeichner verunreinigt sind, dynamisch zurückgewiesen werden.
Tiefere Einblicke
In Zukunft sind Sie nicht mehr auf herkömmliche Trial-and-Error-Verfahren oder zielloses Suchen angewiesen. Das TreeNet-Modellierungsmodul bietet mit Abhängigkeitsdiagrammen einzigartige Einblicke in Ihre Modelle. Die Diagramme der partiellen Abhängigkeit in 2D zeigen die Haupteffekte, während die 3D-Ausführungen außerdem 2-Faktor-Wechselwirkungen enthalten. Anhand dieser von TreeNet automatisch aufgedeckten neuen Einblicke können Sie bei Bedarf äußerst genaue Regressions- und Klassifikationsmodelle erstellen.
Erkennung von Wechselwirkungen
Die Erkennung von Wechselwirkungen im TreeNet-Modellierungsmodul zeigt, ob in einem Prognosemodell Wechselwirkungen berücksichtigt werden müssen. Mit diesem System kann nicht nur die Leistung des Modells – häufig sogar erheblich – verbessert werden, Sie können damit auch wertvolle neue Einblicke gewinnen.
Möchten Sie das am meisten ausgezeichnete Modellierungsmodul TreeNet ausprobieren?
Baumbasierte Verfahren von Minitab
Ob Sie gerade erst anfangen oder intensiver mit prädiktiven Analysen arbeiten möchten, die baumbasierten Modellierungsmodule von Minitab bieten Ihnen alles, was Sie brauchen.
Weitere Informationen zu den Minitab-Lösungen für prädiktive Analysen
CART®
Der ultimative Algorithmus für Klassifikationsbäume, der komplexe Analysen revolutioniert und das heutige Zeitalter der Datenwissenschaft eingeläutet hat.
Random Forests®
Dieses Modul bietet an einem zentralen Ort die Leistungsstärke von verschiedenen alternativen Analysen, Randomisierungsstrategien und Ensemble Learning.
TreeNet®
Das flexibelste und leistungsstärkste Werkzeug für maschinelles Lernen, mit dem zuverlässig extrem präzise Modelle erstellt werden können.