Den viktigaste skillnaden mellan klassificering och regressionsträd är att i klassificering är de beroende variablerna kategoriska och oordnade medan de beroende variablerna i regression är kontinuerliga eller ordnade hela värden.
Klassificering och regression är inlärningstekniker för att skapa modeller för förutsägelse från insamlad data. Båda teknikerna presenteras grafiskt som klassificerings- och regressionsträd, eller snarare flödesscheman med uppdelningar av data efter varje steg, eller snarare "gren" i trädet. Denna process kallas rekursiv partitionering. Fält som Mining använder dessa klassificerings- och regressionsinlärningstekniker. Den här artikeln fokuserar på klassificeringsträdet och regressionsträdet.
Vad är klassificering?
Klassificering är en teknik som används för att komma fram till ett schema som visar organisationen av data som börjar med en prekursorvariabel. Det är de beroende variablerna som klassificerar data.
Figur 01: Data Mining
Klassificeringsträdet börjar med den oberoende variabeln, som förgrenar sig i två grupper som bestäms av de befintliga beroende variablerna. Det är avsett att belysa svaren i form av kategorisering som orsakas av de beroende variablerna.
Vad är regression
Regression är en prediktionsmetod som är baserad på ett antaget eller känt numeriskt utdatavärde. Detta utdatavärde är resultatet av en serie rekursiv partitionering, där varje steg har ett numeriskt värde och en annan grupp av beroende variabler som förgrenar sig till ett annat par som detta.
Regressionsträdet börjar med en eller flera prekursorvariabler och avslutas med en slutlig utdatavariabel. De beroende variablerna är antingen kontinuerliga eller diskreta numeriska variabler.
Vad är skillnaden mellan klassificering och regression?
Klassificering vs regression |
|
| En trädmodell där målvariabeln kan ta en diskret uppsättning värden. | En trädmodell där målvariabeln kan ta kontinuerliga värden, vanligtvis reella tal. |
| beroende variabel | |
| För klassificeringsträdet är de beroende variablerna kategoriska. | För regressionsträd är de beroende variablerna numeriska. |
| Values | |
| Har ett visst antal oordnade värden. | Har antingen diskreta ännu ordnade värden eller indiskreta värden. |
| Syfte med konstruktion | |
| Syftet med att konstruera regressionsträdet är att anpassa ett regressionssystem till varje determinantgren på ett sätt så att det förväntade utdatavärdet kommer upp. | Ett klassificeringsträd förgrenas enligt en beroende variabel härledd från föregående nod. |
Sammanfattning – Klassificering vs Regression
Regressions- och klassificeringsträd är användbara tekniker för att kartlägga processen som pekar på ett studerat resultat, oavsett om det är i klassificering eller ett enstaka numeriskt värde. Skillnaden mellan klassificeringsträdet och regressionsträdet är deras beroende variabel. Klassificeringsträd har beroende variabler som är kategoriska och oordnade. Regressionsträd har beroende variabler som är kontinuerliga värden eller ordnade hela värden.
