Entscheidungsbäume verwenden eine Klassifizierung oder Partition als Grundlage für ein Vorhersagemodell, um Muster zu untersuchen, Beziehungen aufzudecken, die einflussreichsten Faktoren zu überprüfen und Schlussfolgerungen über eine Antwort zu ziehen.
JMP® bietet einen interaktiven Ansatz zum Erstellen von Entscheidungsbäumen mit zahlreichen Optionen zur Optimierung und Interpretation der Ergebnisse.Aussicht In dieser Fallstudie zu Gesundheit und Biowissenschaften wird untersucht, wie baumbasierte Methoden des maschinellen Lernens sehr gute Modelle sein können, um Beziehungen zwischen Faktoren und einer Reaktion zu identifizieren.
Situation: Als Forschungsmanager möchten Sie verstehen, ob ein Zusammenhang zwischen Patientenfaktoren und Diabetesklassifizierung besteht.
Aufgabe: Das Problem ist, dass es mehrere Patientenfaktoren gibt und nicht alle Beziehungen und Faktorinteraktionen vollständig verstanden werden.
Aktion: Sie verwenden Entscheidungsbäume, um einfache Partitionen zu erstellen, und erweitern dann die Methoden Bootstrap Forest und Boosted Trees, um das beste Modell zu finden.
Ergebnis: Mit diesen Techniken des maschinellen Lernens vergleichen Sie die besten Modelle und ermitteln die optimalen Werte zur Minimierung von Diabetes.
Nächste Schritte: Ihre Forschung wird interaktiv mit Ihren Kollegen geteilt und führt zu mehr Forschung, die zur Verbesserung der Patientengesundheit beiträgt.
