1、建模引擎:CART® 决策树
2、建模引擎:TreeNet® 梯度推进
3、建模引擎:Random Forests® 树集成
4、建模引擎:MARS® 非线性回归样条
5、建模引擎:GPS 正则化回归(LASSO、Elastic Net、Ridge 等)
6、建模引擎:RuleLearner®,既有 TreeNet 的卓越准确性又有回归方法的出色互操作性
7、建模引擎:ISLE 模型压缩
8、预打包了 70 多个自动化例程,旨在增强模型构建和试验
9、这类工具能够将分析人员从乏味的工作中解放出来,让他们有更多时间专注在模型开发等有创意的工作上。
10、打开 Minitab 工作表 (.MTW) 功能
1、检测热点,用于发现树上最重要的部分和相应的树规则
2、度量变量重要性,用于了解树中最重要的变量
3、实时或以其他方式部署模型和生成预测
4、在树中的任意点处按用户定义进行拆分
5、差动提升(又称为“上升”或“增量响应”)建模,用于评估治疗效力
6、自动化工具,用于调整模型和包括其他试验自动递归功能消除,用于高级变量选择
7、用先验概率进行试验,用于获取可针对更重要的类获得更高准确率的模型
8、反复执行交叉验证
9、基于自引导样本构建 CART 模型
10构建两个链接模型,用第一个预测二元事件,用第二个预测数值。例如,预测某人是否将购物以及将花费的金额。
11、发现不同学习和检验分区带来的影响
1、以图形方式了解变量对模型响应的影响
2、确定变量或一组发生交互作用的变量的重要性
3、实时或以其他方式部署模型和生成预测
4、自动化工具,用于调整模型和包括其他试验自动递归功能消除,用于高级变量选择
5、自动评估在模型中允许交互作用所带来的影响
6、轻松查找最佳的最小跨越值
7、反复执行交叉验证
8、发现不同学习和检验分区带来的影响
1、使用部分依赖图以图形方式了解变量对模型响应的影响
2、回归损失函数:最小二乘、最小绝对偏差、分位数、Huber-M、Cox 生存、Gamma、负二项式、Poisson 和 Tweedie
3、分类损失函数:二元或多项式
4、差动上升(又称为“上升”或“增量响应”)建模
5、列二次抽样,可改进模型性能并加快运行。
5、正则化梯度推进 (RGBOOST),可提高准确度。
6、RuleLearner:通过组合 TreeNet 梯度推进和正则化回归(LASSO、弹性网络、岭等)来构建可解释的回归模型
ISLE:使用正则化回归(LASSO、弹性网络、岭等)构建更小、更高效的梯度推进模型
7、可变交互作用发现控制明确确定是否需要包括任何程度的交互作用
8、使用 Minitab 的专利交互作用控制语言来控制模型中允许或禁止的交互作用
9、发现模型中最重要的交互作用
10、适用于罕见事件建模的校准工具
11、自动化工具,用于调整模型和包括其他试验自动递归功能消除,用于高级变量选择
12、自动使用不同的学习速率进行试验
13、控制模型中发生的交互作用程度
14、构建两个链接模型,用第一个预测二元事件,用第二个预测数值。例如,预测某人是否将购物以及将花费的金额。
15、在正则化梯度推进模型中查找最佳参数
16、针对核心梯度推进参数执行随机搜索
17、发现不同学习和检验分区带来的影响
1、用于分类、回归或聚类
2、异常值检测
3、接近性热图和多维尺度,以图形方式确定分类问题中的聚类(二元或多项式)
4、平行坐标图,可以更好地了解哪些水平的预测变量值导致了特定类别的分配
5、高级缺失值插补
6、无监督学习:Random Forest 创建临近度矩阵,随后应用分层聚类方法
7、度量变量重要性,用于了解模型中最重要的变量
8、实时或以其他方式部署模型和生成预测9
9、自动化工具,用于调整模型和包括其他试验自动递归功能消除,用于高级变量选择
10、轻松微调在每个树中的每个分割处提取的随机子集大小
11、评估不同自引导样本大小所造成的影响
12、发现不同学习和检验分区带来的影响