CART 分类和回归树 每个人都可以使用的软件
试用我们的分类和回归树 (CART®) 软件，了解为什么《财富》100 强公司选用 Minitab 来解决其流程、运营和业务挑战。
除了 CART，Minitab® Statistical Software 还提供了一套全面的统计方法和数据可视化选项，使您能够做出明智的决策，从而获得更好的业务成果。
由于新增预测分析工具分类和回归树 (CART)，分析工具包变得更出色、更强大，它可以辅助您的决策、主动改进过程，从而提供更好的结果并避免代价高昂的错误。作为使用最广泛、最有用的预测工具之一，CART 现已推出，该工具使用起来非常便捷，即便您不是数据科学家，也可以使用。
借助验证，快速评估回归模型的准确度。轻松、快速将您的数据重新抽样或分割至测试集和训练集，然后以前所未有的速度评估模型预测准确度。
借助开源集成，在 Minitab Statistical Software 中将 Python 及R脚本与您的 Minitab 数据和分析功能轻松整合。在界面中或者借助宏，利用相关功能扩展并进一步研究分析可能性。借助 Minitab，更加轻松地与数据科学家进行协作，以解决更多问题。
CART 是一种用于数据挖掘、预测建模和数据预处理的强大决策树工具。CART 自动搜索重要的模式和关系，甚至在非常复杂的数据中也能发现隐藏的结构。CART 使用直观的界面，使技术和非技术用户都可以访问它。
CART 引入了几种新的树增长方法，包括基尼法和双化法。为了涵盖范围广泛的问题，CART 还包括处理有序类别数据和概率树增长的特殊规定。
CART 树特意将自己限制为数据的双向拆分，有意避免其他方法中常见的多向拆分。这些二元决策树以比多向拆分更慢的速度将数据拆分为小段，从而在留给分析的数据过少之前检测出更多的结构。使用多向拆分的决策树会快速拆分数据，使得很难检测出只在更大范围的数据值中可见的模式。
CART 的开发人员明确确定，不能依赖停止规则来发现最优树。他们引入了过度增长树木然后修剪的概念；这个想法是 CART 的基本原理，确保了重要结构不会因过早停止而被忽视。其他决策树技术使用会产生问题的停止规则，可能错过重要的模式。
在搜索数据中的模式时，必须避免“过度拟合”的陷阱，即找到只适用于训练数据的模式。CART 的嵌入式测试规程确保发现的模式在应用于新数据时仍然有效。此外，测试和选择最优树是 CART 算法的一个必需部分。在其他决策树技术中，测试只在发现问题后选择性地进行，且树选择完全基于训练数据的计算。
对于单变量拆分标准，CART 包括分类树的基尼、双化、熵和类别概率，回归树的最小二乘和最小绝对偏差。默认的基尼方法通常表现最好，但您的分析中可考虑的方法并非只有基尼。在某些情况下，双化方法将生成更直观的树。
Minitab 的 CART 软件作为决策树软件，唯一地包含了斯坦福大学和加州大学伯克利分校的世界著名统计学家在 1984 年推出的原始专利代码。注册免费试用版的 Minitab Statistical Software，进一步了解 CART 并亲自试用。
