CART®（分类和回归树）——决策树:
这种基于树的算法是现代数据挖掘最常用的工具之一，它探索如何将数据拆分为更小段、随后以重复方式选择效果最佳的拆分直到找到最优集合为止。
Random Forests®——随机森林:
该算法基于 CART 树的集合，使用重复、随机化、抽样和集成学习，同时将独立树集合在一起，来确定森林的总体预测值。
TreeNet®——梯度提升:
我们最灵活、获得最多奖项、最强大的机器学习工具，具有迭代结构，可在构建集成的过程中更正合并错误，从而实现出色且一致的预测准确度，也因此而闻名于世。
MARs®——多变量自适应回归样条:
MARS 揭示一些其他回归方法很难（如果有可能的话）发现的重要数据模式和关系。MARS 建模引擎通过将一系列直线拼在一起来构建模型，其中每条直线都可以有自己的斜率。这样，MARS 建模引擎就可以跟踪数据中检测到的任何模式。
自动化机器学习:
使用此自动化工具轻松确认您使用了最佳预测模型来解答您的问题，无需了解不同算法背后的科学道理，非常适合需要建议的预测分析新手以及寻求其他意见的专家。
|
汽车制造商案例 预测需求和预测供应商绩效 问题：一家汽车制造商希望预测需求、优化库存水平并预测供应商绩效。 · 优化库存水平并减少缺货。 · 按时交付率提高 10%。 · 库存持有成本降低 20%。 |
|
食品制造商案例 预测产品缺陷和改进质量 问题：一家食品制造商想要识别影响产品质量的因素。这可以让制造商在缺陷产生之前采取纠正措施。 · 缺陷数量减少 50%。 |
|
钢铁制造商案例 预测能源消耗和节约能源 问题：一家钢铁制造商希望发现节约能源和降低成本的机会。 · 为减少高峰期的能源消耗而调整生产计划。 · 能源成本降低 15%。 |
|
半导体制造商案例 预测产量并提高生产效率 问题：一家半导体制造商希望优化其流程，并开始识别影响产量的因素。 · 产量增加 5%。 |
|
其他行业案例 实时减少停机以节约总成本 问题：制造机械极少出现故障。如果出现故障，将会产生巨额成本。制造商几乎无法承受这么昂贵的失误，因此小区域用户和产品制造商希望在停机时有所准备。 · 将 2 年内的总停机持续时间降低了 6%。 · 将机器使用寿命延长了 4 年。 · 通过降低机器购买和运行成本提高了利润率。 |
苏公网安备 32059002002276号
