Les arbres de décision utilisent une classification ou une partition comme base d'un modèle prédictif pour explorer des modèles, découvrir des relations, filtrer les facteurs les plus influents et tirer des conclusions sur une réponse.
JMP® propose une approche interactive de la création d'arbres décisionnels avec de nombreuses options d'optimisation et d'interprétation des résultats.Voir cette étude de cas sur la santé et les sciences de la vie pour voir comment les méthodes d'apprentissage automatique basées sur les arbres peuvent être de très bons modèles pour identifier les relations entre les facteurs et une réponse.
Situation : En tant que responsable de la recherche, vous souhaitez comprendre s'il existe une relation entre les facteurs liés au patient et la classification du diabète.
Tâche : Le problème est qu'il existe de multiples facteurs liés au patient et que toutes les relations et interactions entre les facteurs ne sont pas entièrement comprises.
Action : vous utilisez des arbres de décision pour créer des partitions simples, puis des méthodes avancées de forêt d'amorçage et d'arbres boostés pour trouver le meilleur modèle.
Résultat : grâce à ces techniques d'apprentissage automatique, vous comparez les meilleurs modèles et identifiez les valeurs optimales pour minimiser le diabète.
Prochaines étapes : Votre recherche est partagée de manière interactive avec vos collègues et mène à d'autres recherches qui contribuent à améliorer la santé des patients.
