Bessere Entscheidungsfindung.
Schneller am Ziel.
Einfacher als je zuvor.
Kostenlose von Minitab CART

In CART wurden einige neue Verfahren zum Erstellen von Bäumen eingeführt, u. a. Gini und Twoing. Um möglichst viele Probleme abdecken zu können, umfasst CART außerdem besondere Funktionen zum Bearbeiten von geordneten kategorialen Daten und zum Erstellen von Wahrscheinlichkeitsbäumen.

CART-Bäume sind bewusst auf einfache Teilungen der Daten beschränkt, wodurch mehrfache Teilungen wie bei anderen Methoden vermieden werden. In diesen binären Entscheidungsbäumen werden Daten langsamer in kleinere Segmente unterteilt als bei mehrfachen Teilungen. So können mehr Strukturen erkannt werden, bevor zu wenige Daten für die Analyse übrig sind. In Entscheidungsbäumen mit mehreren Teilungen werden die Daten schnell fragmentiert, sodass Muster, die nur in größeren Bereichen von Datenwerten sichtbar sind, deutlich schwerer erkannt werden.

Die Entwickler von CART haben erkannt, dass keine Abbruchregel zuverlässig genug für den optimalen Baum ist. Sie entwickelten daher das Konzept, die Bäume zunächst übermäßig groß anwachsen zu lassen und sie dann zurückzuschneiden. Diese Idee ist grundlegend für CART und sorgt dafür, dass wichtige Strukturen nicht übersehen werden, weil das Verfahren zu früh abgebrochen wurde. Bei anderen Methoden, die Entscheidungsbäume nutzen, werden problematische Abbruchregeln eingesetzt, durch die wichtige Muster unerkannt bleiben können.

Bei der Suche nach Mustern in Daten ist es äußerst wichtig, eine übermäßige Anpassung zu vermeiden, d. h. Muster zu finden, die nur auf die Trainingsdaten zutreffen. Mit den eingebetteten Tests in CART wird sichergestellt, dass die gefundenen Muster auch auf neue Daten anwendbar sind. Außerdem sind Prüfung und Auswahl des optimalen Baums integraler Bestandteil des CART-Algorithmus. Bei anderen Verfahren ist diese Prüfung nur optional und wird im Nachhinein ausgeführt. Die Auswahl der Bäume basiert vollständig auf Berechnungen mit den Trainingsdaten.

Für Teilungskriterien mit einer Variablen umfasst CART die Funktionen „Gini“, „Twoing“, „Entropie“ und „Klassenwahrscheinlichkeit“ für Klassifikationsbäume sowie „Kleinste Quadrate“ und „Geringste absolute Abweichung“ für Regressionsbäume. Die Standardmethode Gini ist häufig am besten geeignet, sie ist aber bei Weitem nicht das einzige Verfahren, das Sie für Ihre Analysen in Betracht ziehen sollten. In einigen Situationen werden mit der Twoing-Methode intuitivere Bäume generiert.