• joel

• Rodrigo Moreira

• Camila Epprechet

• Alvaro Veiga

árvores de decisão, regressão com transição suave, teste do tipo multiplicadores de Lagrange.

As Árvores de Classificação e Regressão compõem um conjunto de métodos de particionamento recursivo que geram regras de decisão para problemas de classificação e regressão que podem ser facilmente interpretadas.

Os modelos estruturados por árvores, também conhecidos como árvores de decisão, podem ser vistos como métodos não paramétricos de regressão. O princípio destes modelos é o particionamento recursivo do espaço das variáveis e o ajuste de modelos simples em cada partição.

Devido a fácil interpretação gerada por este modelo seu uso tornou-se comum em diferentes áreas como: medicina diagnóstica, escoragem de crédito e classificação de populações.

Quando a variável resposta é uma classe, estes modelos são denominados árvores de classificação e quando ela é contínua, são chamados árvores de regressão.

Muitos algoritmos foram desenvolvidos para realizar o particionamento recursivo, dentre eles: CHAID, CART, QUEST, C4.5,…

Uma das desvantagens destes algoritmos é a instabilidade do modelo final. Pequenas mudanças na base de dados pode gerar diferentes modelos. Por este motivo, são adotadas saídas como Bagging e Boosting para problemas que a finalidade é preditiva.

• Bayesian Generalized Tree Models
• Model Trees for Rainfall-runoff modelling
• Tree Structured Smooth Transition Regression
• CART aplicado a Dados Espaciais com uso de GLM
• Comparação Regressão Logística x Árvore de Decisão
• Aplicação do CART na Área Médica

Star-Tree

Tree-Based Models Quick-R

• Translate matlab code to R code
• Self Starter functions to give initial values
• Use STR as inputs to Random Forests (Regression Problems)
• Bagging STR