Melhor tomada de decisão.
Melhor desempenho.
Mais fácil do que nunca.
Experimente o Minitab CART gratuitamente

CART introduziu vários métodos novos para o crescimento de árvores, incluindo Gini e Twoing. Para cobrir uma ampla variedade de problemas, CART também inclui disposições especiais para lidar com dados categóricos ordenados e o crescimento de árvores de probabilidade.

As árvores CART se restringem deliberadamente a divisões bidirecionais dos dados, evitando intencionalmente as divisões multilaterais comuns em outros métodos. Essas árvores de decisão binárias dividem os dados em pequenos segmentos a uma taxa mais lenta do que as divisões de múltiplas vias e, portanto, detectam melhor a estrutura antes que poucos dados sejam deixados para análise. As árvores de decisão que usam divisões de múltiplas vias fragmentam os dados rapidamente, dificultando a detecção de padrões que são visíveis apenas em faixas mais amplas de valores de dados.

Os desenvolvedores da CART determinaram definitivamente que nenhuma regra de parada poderia ser considerada para descobrir a árvore ideal. Eles introduziram a noção de árvores crescendo demais e depois podando de volta; essa ideia, fundamental para a CART, garante que uma estrutura importante não seja esquecida por parar muito cedo. Outras técnicas de árvore de decisão usam regras de parada problemáticas que podem ignorar padrões importantes.

Ao pesquisar padrões nos dados, é essencial evitar a armadilha do “overfitting”, ou seja, de encontrar padrões que se aplicam apenas aos dados de treinamento. As disciplinas de teste integradas da CART garantem que os padrões encontrados serão mantidos quando aplicados a novos dados. Além disso, o teste e a seleção da árvore ótima são parte integrante do algoritmo CART. Em outras técnicas de árvore de decisão, o teste é conduzido apenas opcionalmente e após o fato, e a seleção da árvore é baseada inteiramente em cálculos de dados de treinamento.

Para critérios de divisão de variável única, CART inclui Gini, Twoing, Entropia e Probabilidade de classe para árvores de classificação e Mínimos quadrados e Desvio mínimo absoluto para árvores de regressão. O método Gini padrão frequentemente tem melhor desempenho, mas de forma nenhuma o Gini é o único método a ser considerado em sua análise. Em algumas circunstâncias, o método Twoing gerará árvores mais intuitivas.