Voir la documentation de bartGauss
Berechnet prädiktive Margen unter Verwendung eines angepassten Modells für Bayes'sche additive Regressionsbäume (BART).
The bartProbit action fits a probit Bayesian Additive Regression Trees (BART) model to data where the response variable is binary. This is particularly useful for classification problems where the outcome is one of two categories (e.g., yes/no, success/failure, 0/1). The probit model assumes that the binary outcome is the result of an unobserved continuous latent variable following a standard normal distribution. The BART model itself is a non-parametric, ensemble method that combines multiple simple regression trees to create a powerful predictive model, offering a flexible alternative to traditional parametric models.
Die Aktion bartGauss im Aktionssatz Bayesian Additive Regression Trees (bart) passt Modelle für Bayes'sche additive Regressionsbäume (BART) an normalverteilte Antwortdaten an. BART ist eine nichtparametrische Regressionsmethode, die einen Ensemble-Ansatz verwendet, bei dem das Modell eine Summe vieler schwacher Lerner (Regressionsbäume) ist. Diese Methode ist besonders effektiv bei der Erfassung komplexer nichtlinearer Beziehungen zwischen Prädiktoren und der Antwortvariablen und bietet gleichzeitig eine Quantifizierung der Unsicherheit durch ihren Bayes'schen Rahmen.