Mejor toma de decisiones.
Funcionamiento más rápido.
Más fácil que nunca.
Pruebe Minitab CART gratis 

CART introdujo varios métodos nuevos para el cultivo de árboles, incluyendo Gini y Twoing. Para cubrir una amplia variedad de problemas, CART también incluye funciones especiales para el manejo de datos categóricos ordenados y el cultivo de árboles de probabilidad.

Los árboles CART están restringidos deliberadamente a divisiones bidireccionales de los datos, evitando intencionalmente las divisiones multidireccionales comunes en otros métodos. Estos árboles de decisión binarios dividen los datos en segmentos pequeños a un ritmo más lento que las divisiones multidireccionales y, por lo tanto, detectan más estructura antes de que queden muy pocos datos para el análisis. Los árboles de decisión que utilizan divisiones multidireccionales fragmentan los datos rápidamente, lo que dificulta la detección de patrones que solo son visibles en intervalos más amplios de valores de datos.

Los desarrolladores de CART determinaron definitivamente que no se podía confiar en ninguna regla de detención para descubrir el árbol óptimo. Introdujeron la noción de cultivar árboles excesivamente grandes para luego podarlos; esta idea, fundamental para CART, asegura que no se pase por alto la estructura importante al producirse una detención demasiado pronto. Otras técnicas de árboles de decisión utilizan reglas de detención problemáticas que pueden hacer que se pasen por alto patrones importantes.

Cuando se buscan patrones en los datos es esencial evitar la trampa del “sobreajuste”, es decir, encontrar patrones que se apliquen únicamente a los datos de entrenamiento. Las disciplinas de prueba integradas de CART garantizan que los patrones encontrados se sostendrán cuando se apliquen a nuevos datos. Además, las pruebas y la selección del árbol óptimo son una parte integral del algoritmo CART. En otras técnicas de árboles de decisión, las pruebas se llevan a cabo solo de manera opcional y después del hecho, y la selección del árbol se basa enteramente en cálculos realizados con datos de entrenamiento.

En cuanto a los criterios de división basados en una sola variable, CART incluye Gini, Twoing, Entropía y Probabilidad de clase para los árboles de clasificación, mientras que para los árboles de regresión incluye Mínimos cuadrados y Mínimas desviaciones absolutas. El método Gini predeterminado suele ser el que funciona mejor, pero de ninguna manera es el único método que debe considerar en su análisis. En algunas circunstancias, el método Twoing generará árboles más intuitivos.