Salford Predictive Modeler

Características de CART®:

• Detección de puntos de acceso para descubrir las partes más importantes del árbol y las reglas correspondientes del árbol
• Medidas de importancia de las variables para comprender las variables más importantes del árbol
• Implemente el modelo y genere predicciones en tiempo real o no
• Divisiones definidas por el usuario en cualquier punto del árbol
• Modelado de aumento diferencial (también denominado “uplift” o “respuesta incremental”) para evaluar la eficacia de un tratamiento
• Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
  • Eliminación automática de características recursivas para una selección avanzada de variables
  • Experimente con probabilidades previas para obtener un modelo que logre mejores tasas de exactitud para la clase más importante
  • Realice validación cruzada repetida
  • Cree modelos CART con muestras de bootstrap
  • Cree dos modelos vinculados, donde el primero prediga un evento binario y el segundo prediga un valor numérico. Por ejemplo, predecir si alguien comprará y cuánto gastará.
  • Descubra el impacto de las diferentes particiones de aprendizaje y prueba

Características de MARS®:

• Entienda de forma gráfica la manera en que las variables afectan la respuesta del modelo
• Determine la importancia de una variable o de un conjunto de variables que interactúan
• Implemente el modelo y genere predicciones en tiempo real o no
• Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
  • Eliminación automática de características recursivas para una selección avanzada de variables
  • Evalúe automáticamente el impacto de permitir interacciones en el modelo
  • Encuentre fácilmente el mejor valor mínimo de expansión
  • Realice validación cruzada repetida
  • Descubra el impacto de las diferentes particiones de aprendizaje y prueba

Características de TreeNet®:

• Entienda de forma gráfica la manera en que las variables afectan la respuesta del modelo con gráficas de dependencia parcial
• Funciones de pérdida en regresión: mínimos cuadrados, desviación absoluta mínima, cuantil, estimador M de Huber, supervivencia de Cox, gamma, binomial negativa, Poisson, y Tweedie
• Funciones de pérdida en clasificación: binaria o multinomial
• Modelado de aumento diferencial (también denominado “uplift” o “respuesta incremental”)
• Submuestreo de columnas para mejorar el desempeño del modelo y acelerar el tiempo de ejecución.
• Potenciación de gradientes regularizada (RGBOOST) para aumentar la exactitud.
• RuleLearner: construya modelos de regresión interpretables al combinar la potenciación de gradientes TreeNet y la regresión regularizada (LASSO, Red elástica, Ridge etc.)
• ISLE: Construya modelos de potenciación de gradientes más pequeños y más eficientes usando la regresión regularizada (LASSO, Red elástica, Ridge, etc.)
• Control de descubrimiento de interacción entre las variables
  • Determine definitivamente si es necesario o no incluir interacciones de cualquier grado
  • Controle las interacciones permitidas o no permitidas en el modelo con el lenguaje de control de interacciones patentado de Minitab
• Descubra las interacciones más importantes incluidas en el modelo
• Herramientas de calibración para el modelado de eventos poco comunes
• Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
  • Eliminación automática de características recursivas para una selección avanzada de variables
  • Experimente con diferentes tasas de aprendizaje de manera automática
  • Controle el grado de las interacciones que se producen en el modelo
  • Cree dos modelos vinculados, donde la predicción del primero sea un evento binario y el segundo prediga un valor numérico. Por ejemplo, predecir si alguien comprará y cuánto gastará.
  • Encuentre los mejores parámetros en su modelo de potenciación de gradientes regularizada
  • Realice una búsqueda estocástica de los parámetros básicos de potenciación de gradientes
  • Descubra el impacto de las diferentes particiones de aprendizaje y prueba

Características de Random Forests®:

• Utilícese para clasificación, regresión o conglomerados
• Detección de valores atípicos
• Mapa de calor de proximidad y escalas multidimensionales para determinar gráficamente los conglomerados en los problemas de clasificación (binaria o multinomial)
• Gráfica de coordenadas paralelas para una mejor comprensión de los niveles de los valores predictores que conducen a una asignación de clase particular
• Imputación avanzada de valores faltantes
• Aprendizaje no supervisado: Random Forest crea la matriz de proximidad y luego se aplican técnicas de creación de conglomerados jerárquicos
• Medidas de importancia de las variables para comprender las variables más importantes del modelo
• Implemente el modelo y genere predicciones en tiempo real o no
• Herramientas de automatización para la optimización de modelos y otros experimentos, incluyendo
  • Eliminación automática de características recursivas para una selección avanzada de variables
  • Ajuste fácilmente el tamaño del subconjunto aleatorio tomado en cada división de cada árbol
  • Evalúe el impacto de los diferentes tamaños de las muestras de bootstrap
  • Descubra el impacto de las diferentes particiones de aprendizaje y prueba