• joel

• Rodrigo Moreira

• Camila Epprechet

• Alvaro Veiga

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

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

[1996, book]

Ripley, B. D. (1996). Pattern Recognition and Neural Networks. Cambridge: Cambridge University Press.