Các mẹo và thủ thuật CART sẽ giúp ích cho bạn khi sử dụng Phần mềm Minitab - minitabvietnam

Lượt xem: 47

Trong blog này Minitab Việt Nam sẽ chia sẻ các thủ thuật dành cho Cây phân loại và hồi quy (CART) trong Phần mềm thống kê Minitab. Việc đầu tiên chúng ta cần làm chính là tìm hiểu khái niệm về CART (Classification and Regression Trees)

CÂY PHÂN LOẠI VÀ HỒI QUY (CART) LÀ GÌ?

CART – Cây phân loại và hồi quy (hay còn được biết đến với tên gọi Cây quyết định) là một kỹ thuật lập mô hình dựa trên phân vùng đệ quy có thể được sử dụng để dự đoán cả phản hồi liên tục và phân loại. Các mô hình dự đoán này cung cấp lựa chọn biến tự động, dễ xây dựng trong Minitab và tốt nhất là mô hình có thể được trực quan hóa dưới dạng cây quyết định dễ diễn giải. CART hữu ích như một giải pháp thay thế cho hồi quy tuyến tính hoặc logistic khi làm việc với các bộ dữ liệu quan sát lớn hoặc khi có các mối quan hệ phi tuyến tính phức tạp.

Tip #1: Sử dụng Chế độ xem phân tách nút để có cái nhìn toàn diện về cây quyết định của bạn

Chế độ xem chi tiết của mô hình CART lớn có thể hơi khó hình dung, nhưng may mắn thay, Minitab 2023 cung cấp tùy chọn để xem chế độ xem chi tiết của cây. Chỉ cần nhấp chuột phải vào mô hình CART của bạn trong phần mềm Minitab và chọn Chế độ xem chia nút (Node Split View). Chế độ xem chi tiết này chỉ hiển thị bộ dự đoán được sử dụng mỗi khi dữ liệu được phân vùng.

Xem thêm: Cập nhật phần mềm Minitab (21.4.0) mới nhất

Tip #2: Lưu trữ các dự đoán CART trong trang tính

Khi biến phản hồi hoặc mục tiêu là liên tục, mô hình cây hồi quy dự đoán giá trị trung bình trong mỗi nút đầu cuối. Đối với các biến kết quả phân loại, dự đoán là xác suất cho từng mức phản hồi, cũng như mức phản hồi dự đoán. Chúng ta có thể khám phá bằng đồ họa các dự đoán của mô hình bằng cách sử dụng các hình ảnh trực quan khác trong Minitab, chỉ cần lưu trữ các dự đoán CART trong trang tính bằng tùy chọn Storage.

Biểu đồ Tầm quan trọng của biến tương đối hiển thị các yếu tố dự đoán theo thứ tự quan trọng của chúng. Có thể hình dung tác động của những yếu tố dự đoán quan trọng đó đối với phản hồi bằng cách sử dụng các tùy chọn biểu đồ của Minitab. Trong ví dụ bên dưới, hai yếu tố dự đoán liên tục quan trọng nhất trong mô hình phân loại được sử dụng để trực quan hóa xác suất dự đoán của sự kiện phản hồi trên biểu đồ đường đồng mức.

Tip #3: Áp dụng điểm phạt cho các công cụ dự đoán có nhiều giá trị bị thiếu hoặc các công cụ dự đoán phân loại có nhiều giá trị đặc biệt

Các công cụ dự đoán liên tục hoặc phân loại có nhiều giá trị bị thiếu hoặc các công cụ dự đoán phân loại có nhiều cấp độ có thể có lợi thế hơn các công cụ dự đoán có ít cấp độ hơn hoặc không có giá trị bị thiếu.

Kết quả là, một trong những yếu tố dự đoán này có thể “tiếp quản” cây, che lấp ảnh hưởng của các yếu tố dự đoán khác. Để giải quyết các điều kiện dữ liệu này, Minitab cung cấp tùy chọn áp dụng điểm phạt cho các công cụ dự đoán có nhiều giá trị bị thiếu hoặc các công cụ dự đoán phân loại có nhiều giá trị đặc biệt.

Để làm quen với phần mềm Minitab tham khảo Khóa học ‘Giới thiệu phần mềm thống kê Minitab’

Bạn có thể tìm thấy các điểm phạt này thông qua menu Tùy chọn, trong File > Options. Điểm phạt có thể được áp dụng cho cả cây phân loại hoặc cây hồi quy và các giá trị điểm phạt nằm trong khoảng từ 0 đến 2 đối với các giá trị bị thiếu và 0 đến 5 đối với các yếu tố dự đoán phân loại (trong đó 0 không bị phạt và giá trị cao tương ứng là điểm phạt tối đa).

Hy vọng các mẹo và thủ thuật này sẽ giúp bạn sử dụng CART trong Phần mềm thống kê Minitab hiệu quả hơn!

Ngoài ra, nếu có nhu cầu tư vấn cụ thể về giá mua phần mềm, vui lòng liên hệ ngay với Minitab Việt Nam để được nhận báo giá và tư vấn về sản phẩm kỹ hơn:
Hotline: +84 98 332 06 55
Email: sale@minitabvietnam.com
Website: https://minitabvietnam.com/
Add: Tầng 4, Tòa nhà N01-T4, Khu Đoàn Ngoại Giao, P. XuânTảo, Q. Bắc Từ Liêm, TP. Hà Nội