整理决策树以撰写论文：Minitab中的预测分析和根本原因分析-控件新闻-慧都网

整理决策树以撰写论文：Minitab中的预测分析和根本原因分析

翻译|行业资讯|编辑：况鱼杰|2020-05-11 14:12:43.490|阅读 1141 次

概述：随着我们从流程中收集越来越多的观测数据，我们可能需要新的工具来提供有意义的见解。您可以将现代机器学习技术与传统统计工具一起添加，以分析，改善和控制您的流程。让我们看一个以二进制逻辑回归开始，以分类和回归树（CART®）结尾的示例。

相关链接：

随着我们从流程中收集越来越多的观测数据，我们可能需要新的工具来提供有意义的见解。您可以将现代机器学习技术与传统统计工具一起添加，以分析，改善和控制您的流程。让我们看一个以二进制逻辑回归开始，以分类和回归树（CART®）结尾的示例。

编者注：该文章的早期版本显示了Salford Predictive Modeler中的CART，已于2018年3月发布。我们对其进行了更新，以在Minitab的最新版本中显示CART。

更多新功能可下载Minitab 19使用！

寻找纸浆漂白过程中过度变化的根本原因

blog-trimming-decision-trees-1-pie-chart

在我们的示例中，我们看到产品中有2.9％存在缺陷。要开始查看此过程中出现不可接受百分比缺陷的根本原因，您可以从Minitab中的Binary Logistic回归开始，其中响应变量可以观察值是否存在缺陷。不幸的是，对于这些数据，下面残差图中的疯狂模式表明二进制logistic回归模型可能不够充分。

blog-trimming-decision-trees-2-deviance-residual-plots-pulp-defects

CART方法

CART是一种决策树算法，通过创建一组是/否规则进行工作，这些规则根据预测变量（X）的设置将响应（Y）变量分为多个分区。使用Minitab中的CART功能之后，发现预测变量之一——放电pH是造成缺陷的重要因素。

blog-trimming-decision-trees-3-zoom-cart

如果排放pH <= 7.739，则估计的缺陷可能性相对较高（17.7％）。如果放电pH> 7.739，则几乎没有缺陷发生。

下面的Minitab图说明了此规则起作用的原因。CART模型找到最能将Response = Pass与Response = Fail组区分开的变量和设置。在这里，该变量和设置是排出pH为7.739。

接下来可以继续发展CART树，以最终找到导致此过程中出现缺陷的更多设置组合。将问题缩小到至关重要的几个X后，就可以放置控件以减少出现缺陷的机会。在这种情况下，完整的CART分类模型会确定放电pH和生产率的某些特定组合，这些组合会导致缺陷数量不成比例，如下图所示。

blog-trimming-decision-trees-5-specific-combinations-graph

心动了吗？想要自己尝试看看吗？

更好。快点。更轻松。现在有了CART。

标签：

本站文章除注明转载外，均为本站原创或翻译。欢迎任何形式的转载，但请务必注明出处、不得修改原文相关链接，如果存在内容上的异议请邮件反馈至chenjj@evget.com

文章转载自：minitab