Ang pangunahing pagkakaiba sa pagitan ng classification at regression tree ay na sa classification ang dependent variables ay kategorya at unordered habang sa regression ang dependent variables ay tuloy-tuloy o ordered whole values.
Ang Pag-uuri at regression ay mga diskarte sa pag-aaral upang lumikha ng mga modelo ng hula mula sa nakalap na data. Ang parehong mga diskarte ay graphic na ipinakita bilang mga klasipikasyon at regression tree, o sa halip ay mga flowchart na may mga dibisyon ng data pagkatapos ng bawat hakbang, o sa halip, "sanga" sa puno. Ang prosesong ito ay tinatawag na recursive partitioning. Ang mga larangan tulad ng Pagmimina ay gumagamit ng mga pamamaraan sa pag-aaral ng pag-uuri at regression na ito. Nakatuon ang artikulong ito sa Classification tree at regression tree.
Ano ang Classification?
Ang Classification ay isang diskarteng ginagamit upang makarating sa isang schematic na nagpapakita ng organisasyon ng data na nagsisimula sa isang precursor variable. Ang mga dependent variable ay kung ano ang nag-uuri sa data.
Figure 01: Data Mining
Nagsisimula ang classification tree sa independiyenteng variable, na nagsasanga sa dalawang pangkat ayon sa tinutukoy ng mga umiiral na dependent variable. Ito ay nilalayong ipaliwanag ang mga tugon sa anyo ng pagkakategorya na dulot ng mga dependent variable.
Ano ang Regression
Ang Regression ay isang paraan ng paghula na batay sa isang ipinapalagay o kilalang numerical na halaga ng output. Ang output value na ito ay resulta ng isang serye ng recursive partitioning, na ang bawat hakbang ay mayroong isang numerical value at isa pang pangkat ng mga dependent variable na sumasanga sa isa pang pares tulad nito.
Nagsisimula ang regression tree sa isa o higit pang precursor variable at nagtatapos sa isang final output variable. Ang mga dependent variable ay maaaring tuloy-tuloy o discrete numerical variable.
Ano ang Pagkakaiba sa Pagitan ng Pag-uuri at Pagbabalik?
Classification vs Regression |
|
| Isang tree model kung saan ang target na variable ay maaaring kumuha ng discrete set ng mga value. | Isang tree model kung saan ang target na variable ay maaaring kumuha ng tuluy-tuloy na mga value na karaniwang mga totoong numero. |
| Dependant Variable | |
| Para sa classification tree, ang mga dependent variable ay kategorya. | Para sa regression tree, ang mga dependent variable ay numerical. |
| Mga Halaga | |
| May nakatakdang halaga ng mga hindi nakaayos na halaga. | May alinman sa discrete yet ordered values o indiscrete value. |
| Layunin ng Konstruksyon | |
| Layunin ng pagbuo ng regression tree ay upang magkasya ang isang regression system sa bawat determinant branch sa paraang lumalabas ang inaasahang output value. | Ang isang classification tree ay sumasanga ayon sa tinutukoy ng isang dependent variable na nagmula sa nakaraang node. |
Buod – Classification vs Regression
Ang mga regression at classification tree ay mga kapaki-pakinabang na pamamaraan upang i-map out ang proseso na tumuturo sa isang pinag-aralan na kinalabasan, maging sa classification o isang solong numerical value. Ang pagkakaiba sa pagitan ng classification tree at ng regression tree ay ang kanilang dependent variable. Ang mga puno ng pag-uuri ay may mga umaasang variable na nakategorya at hindi nakaayos. Ang mga regression tree ay may mga dependent variable na tuloy-tuloy na value o ordered whole value.
