QUEST (Quick、 Unbiased、Efficient Statistical Tree) は、2 分岐ディシジョン・ツリーの構築用の分類方法です。 その開発時における主な同期は、多くの変数または多くのケースを持つ大規模な C&R Tree 分析で必要な処理時間を低減することでした。 QUEST の 第2 の目標は、分類ツリー法に見られる、より多くの分割を可能にする入力フィールド、つまり連続型 (数値範囲) 入力フィールド変数や多くのカテゴリーを持つ予測フィールド変数を好む、という傾向を低減することでした。

• QUEST は、ノードで入力フィールド変数を評価するために、有意度検定に基づいて、ルールのシーケンスを使用します。 選択用に、シングル テストと同じくらい小さいテストを各入力フィールドについてノードで実行する必要がある場合があります。 C&R Tree と異なり、一部の分割は検査されません。また、C&R Tree および CHAID、選択用に入力フィールドを評価するときに、カテゴリーの組み合わせをテストしません。 これが分析スピードを速くしています。
• 分割は、対象カテゴリーごとに形成されたグループで選択された入力フィールドを使用して 2 次判別分析を実行することにより決定されます。 この方法は、徹底的な検索 (C&R Tree) が最適な分割を決定する場合勝る速度の改善が得られます。

要件。 入力フィールドは、連続型 (数値範囲) にできますが、目標変数はカテゴリーでなければなりません。 すべての分割は 2 分岐です。 重みフィールドは使用できません。 このモデルで使用される順序型 (順序セット) フィールドは、数値ストレージを持っていなければなりません (文字列不可)。 必要な場合、データ分類ノードを使用して変換できます。

利点 CHAID と同様に (ただし、C&R Tree とは異なり)、QUEST は統計的な検定を使用して、入力フィールドを使用するかどうかを決定します。 また、入力の選択と分割についての問題を切り離し、それぞれに異なる基準を適用します。 また、入力フィールド選択と分割についての問題を切り離し、それぞれの異なる基準を適用できます。これは CHAID で制約します。その場合、統計的検定が、変数の選択を決定し、また分割を生成します。 同様に、C&R Tree は、入力フィールドの選択と分割の決定に、不純度-変更測度を使用します。