Gli alberi decisionali utilizzano una classificazione o partizione come base per un modello predittivo per esplorare schemi, scoprire relazioni, vagliare i fattori più influenti e trarre conclusioni su una risposta.
JMP® fornisce un approccio interattivo alla creazione di alberi decisionali con numerose opzioni per l'ottimizzazione e l'interpretazione dei risultati.
Visualizza questo caso di studio Health and Life Science per vedere come i metodi di apprendimento automatico basati su alberi possono essere ottimi modelli per identificare le relazioni tra fattori e una variabile di risposta.
• Piattaforma di partizione.
• Foreste Bootstrap.
• Alberi potenziati.
Studio del cast
Situazione: come responsabile della ricerca, vuoi capire se esiste una relazione tra i fattori del paziente e la classificazione del diabete.
Compito: il problema è che ci sono più fattori paziente e non tutte le relazioni e le interazioni tra fattori sono completamente comprese.
Azione: si utilizzano gli alberi decisionali per creare partizioni semplici, quindi i metodi avanzati Bootstrap Forest e Boosted Trees per trovare il modello migliore.
Risultato: utilizzando queste tecniche di Machine Learning si confrontano i migliori modelli e si identificano i valori ottimali per ridurre al minimo il diabete.
Passaggi successivi: la tua ricerca viene condivisa in modo interattivo con i tuoi colleghi e porta a ulteriori ricerche che aiutano a migliorare la salute del paziente.
#sas #jmp #machinelearning
