Une meilleure prise de décision.
Un fonctionnement plus rapide.
Une utilisation plus simple que jamais.
Testez Minitab CART gratuitement pendant

CART introduit plusieurs nouvelles méthodes pour le développement d'arbres, y compris Gini et Twoing. Afin de répondre à un large éventail de problèmes, CART inclut également des dispositifs spéciaux pour le traitement des données de catégories ordonnées et le développement d'arbres de probabilité.

Les arbres CART se limitent volontairement aux divisions binaires de données, évitant ainsi les divisions multi-niveaux courantes dans d'autres méthodes. Ces arbres de décision binaires divisent les données en plus petits segments à un rythme moins élevé que les divisions multi-niveaux, ce qui leur permet de détecter plus de structures avant que les données restantes deviennent insuffisantes pour l'analyse. Les arbres de décision basés sur des divisions multi-niveaux fragmentent les données plus rapidement, ce qui complique la détection de modèles identifiables seulement à travers des plages de valeurs plus larges.

Les développeurs CART ont déterminé de manière certaine qu'aucune procédure d'arrêt ne pouvait être utilisée pour découvrir l'arbre optimal. Ils ont mis en place le principe de laisser croître l'arbre puis de l'élaguer. Cette idée, qui est fondamentale pour les arbres CART, permet de s'assurer que les structures importantes ne sont pas mises de côté par un arrêt prématuré. Les règles d'arrêt utilisées dans d'autres types d'arbres de décision sont problématiques, car elles peuvent conduire à rater des modèles importants.

Lors de la recherche de modèles dans un ensemble de données, il est essentiel d'éviter le piège du "surajustement", c'est-à-dire trouver des modèles qui s'appliquent uniquement aux données d'apprentissage. Les disciplines de test intégrées aux arbres CART assurent que les modèles détectés resteront pertinents lorsqu'ils seront appliqués à de nouvelles données. En outre, les tests et la sélection de l'arbre optimal font partie intégrante de l'algorithme CART. Pour d'autres types d'arbres de décision, les tests sont effectués de manière facultative et a posteriori, et la sélection de l'arbre est fondée entièrement sur des calculs de données d'apprentissage.

Concernant les critères de partitionnement à une seule variable, CART inclut Gini, Twoing, l'entropie et la probabilité de classe pour les arbres de classification, et les moindres carrés et le moindre écart absolu pour les arbres de régression. La méthode Gini, qui est la méthode par défaut, est souvent la plus performante mais elle ne doit pas être la seule à être prise en compte dans votre analyse. Dans certains cas, la méthode Twoing générera des arbres plus intuitifs.