TreeNet®
그래디언트(GRADIENT) 부스팅
Minitab의 가장 유연하고 수상 경력을 자랑하는 강력한 머신 러닝 도구인 TreeNet® 그래디언트(Gradient) 부스팅은 매우 정확한 모형을 지속적으로 생성할 수 있습니다.
TreeNet에 생소한 이들은 TreeNet이 일반적으로 확률적 그래디언트 부스팅이라고 하는 최신 머신 러닝 알고리즘 클래스의 강력한 구현이라고 이해하면 쉽습니다. 스탠포드 대학교에서 Jerome Friedman이 개발한 이 기법은 탁월한 예측 정확도로 유명합니다. 비결은 모형을 만드는 방법에 있습니다. 각 반복 에서 작은 트리가 현재의 트리 앙상블에 추가되어 앙상블의 전체 오류를 수정합니다.
제공되는 다양한 손실 함수를 이용하여 공정을 최소 제곱 회귀 분석, 로버스트 회귀 분석, 분류 등과 같은 특정 예측 모형화 작업에 맞게 조정할 수 있습니다. 모형 해석을 돕기 위해, TreeNet은 한 단계 더 나아가 반응 변수의 모형 입력에 대한 종속성을 설명하는 여러 2D 및 3D 그림도 자동으로 생성합니다. 모형은 다양한 비선형성과 다원적인 교호작용을 자동으로 검색하고 통합할 수 있을 만큼 유연합니다. 사용자는 일련의 추가적인 컨트롤을 통해 모형 교호작용을 세부 조정하여 특정 설계 목표를 달성할 수 있습니다.
뛰어난 정확성
Minitab의 TreeNet 모형화 엔진은 단일 모형 또는 앙상블이나 배깅 또는 기존 부스팅 같은 조합으로는 얻을 수 없는 수준의 정확도를 자랑합니다. Minitab의 방법론은 데이터 오류에 민감하지 않고 많은 시간이 소요되는 데이터 준비, 전처리 또는 결측 값 대체를 필요로 하지 않습니다. 다른 방법을 사용하면 데이터 오류를 기존의 데이터 마이닝 방법으로 해결하기가 어려울 수 있고, 기존 부스팅에는 최악의 결과를 가져옵니다. 이와 달리 TreeNet 모형은 기존 모형과 차이가 너무 크거나 잘못된 목표 레이블로 오염된 데이터를 동적으로 거부하기 때문에 이러한 오류에 영향을 받지 않습니다.
강력한 통찰력
앞으로 기존의 시행착오나 어둠 속에서 걷는 듯한 기법은 피하십시오. Minitab의 TreeNet 모형화 엔진은 의존도 그래프를 통해 모형의 내부 작용에 대한 일련의 고유한 통찰력을 제공합니다. Minitab의 2D 부분 의존도 그래프를 보면 주 효과의 성격을 알 수 있고, 3D 부분 의존도 그래프에는 양방향 교호작용도 포함됩니다. 사용자는 TreeNet에서 자동으로 발견하는 새로운 통찰력으로 무장하여 필요한 경우 매우 정확한 회귀 분석 및 분류 모형을 만들 수 있습니다.
교호작용 감지
TreeNet 모형화 엔진의 교호작용 감지 기능은 예측 모형에 교호작용이 필요한지 확인합니다. 이 시스템은 모형의 성능을 종종 크게 개선하는 데 유용할 뿐만 아니라 귀중한 새로운 통찰력을 발견하고 사용하는 데에도 도움이 됩니다.
가장 많은 상을 수상한 모형화 엔진인 TreeNet에 관심이 있으십니까?
Minitab의 트리 기반 방법
이제 막 시작하는 사용자나 예측 분석 능력을 한 단계 더 높이려는 사용자 모두 Minitab의 트리 기반 모형화 엔진으로 필요한 성능을 얻을 수 있습니다.
CART®
고급 분석을 혁신하고 지금의 데이터 과학 시대를 시작한 궁극의 분류 트리 알고리즘.
Random Forests®
여러 대체 분석, 랜덤화 전략 및 앙상블 학습을 한 곳에서 편리하게 이용할 수 있는 기능.
TreeNet®
매우 정확한 모형을 일관되게 생성할 수 있는 가장 유연하고 강력한 머신 러닝 도구.