来自预测分析的模型为各种应用提供见解，包括制造质量控制、药物发现、欺诈检测、信用评分和流失预测。使用获得的结果确定重要变量，从而识别数据中具有所需特征的组，并预测新观测值的响应值。例如，市场研究人员可以使用预测分析模型来识别对特定计划具有较高响应率的客户，并预测这些响应率。

如果类别响应变量超过 2 个，请逐个创建模型。

多元回归模型假定平均响应是预测变量的参数函数。该模型使用最小二乘准则来估计数据集的参数。如果参数回归模型拟合响应与其预测变量之间的关系，则模型将使用新观测值准确预测响应值。例如，物理学中的胡克定律说，伸展弹簧的力与伸展的距离呈线性关系，因此回归模型很好地拟合了这种关系。

多元回归模型简化了预测变量最佳设置的识别。有效拟合还意味着拟合参数和标准误差对于统计推断很有用，例如估计预测响应值的置信区间。

在这种情况下，基于树的模型是值得考虑的良好替代模型。

在预测分析模块中，Minitab 统计软件使用发现最佳模型命令将多元回归模型拟合到连续和二元响应变量。有关 Minitab 统计软件中其他多元回归模型的列表，请 Minitab 中包括哪些回归和相关性分析？转到。

CART®，TreeNet®和Random Forests® 是3种基于树的方法。在基于树的模型中，CART® 最容易理解，因为 CART® 使用单个决策树。单个决策树从整个数据集开始，作为第一个父节点。然后，树使用节点拆分标准将数据拆分为 2 个更同构的子节点。此步骤将迭代重复，直到所有未拆分节点都满足成为终端节点的条件。之后，使用交叉验证或使用单独的测试集进行验证来修剪树以获得最佳树，即 CART® 模型。单个决策树易于理解，并且可以拟合具有各种特征的数据集。

与其他 2 种基于树的方法相比，单决策树可能更不健壮且功能更弱。例如，数据集中预测变量值的微小变化可能会导致非常不同的 CART® 模型。TreeNet® 和Random Forests® 方法使用单个树集来创建比单个决策树中的模型更健壮、更准确的模型。