Der Hauptunterschied zwischen Klassifikation und Regressionsbaum besteht darin, dass bei der Klassifikation die abhängigen Variablen kategorial und ungeordnet sind, während bei der Regression die abhängigen Variablen kontinuierliche oder geordnete ganze Werte sind.
Klassifizierung und Regression sind Lerntechniken zur Erstellung von Vorhersagemodellen aus gesammelten Daten. Beide Techniken werden grafisch als Klassifikations- und Regressionsbäume dargestellt, oder eher Flussdiagramme mit Aufteilung der Daten nach jedem Schritt, oder besser gesagt, „Zweig“im Baum. Dieser Vorgang wird als rekursive Partitionierung bezeichnet. Bereiche wie Bergbau verwenden diese Klassifikations- und Regressionslerntechniken. Dieser Artikel konzentriert sich auf den Klassifizierungsbaum und den Regressionsbaum.
Was ist Klassifizierung?
Klassifizierung ist eine Technik, die verwendet wird, um zu einem Schema zu gelangen, das die Organisation von Daten zeigt, beginnend mit einer Vorläufervariablen. Die abhängigen Variablen klassifizieren die Daten.
Abbildung 01: Data Mining
Der Klassifikationsbaum beginnt mit der unabhängigen Variablen, die sich in zwei Gruppen verzweigt, wie durch die vorhandenen abhängigen Variablen bestimmt. Es soll die Antworten in Form einer Kategorisierung durch die abhängigen Variablen verdeutlichen.
Was ist Regression
Regression ist eine Vorhersagemethode, die auf einem angenommenen oder bekannten numerischen Ausgabewert basiert. Dieser Ausgabewert ist das Ergebnis einer Reihe rekursiver Partitionierungen, wobei jeder Schritt einen numerischen Wert und eine andere Gruppe abhängiger Variablen hat, die sich zu einem anderen Paar wie diesem verzweigen.
Der Regressionsbaum beginnt mit einer oder mehreren Vorläufervariablen und endet mit einer letzten Ausgabevariablen. Die abhängigen Variablen sind entweder kontinuierliche oder diskrete numerische Variablen.
Was ist der Unterschied zwischen Klassifikation und Regression?
Klassifizierung vs. Regression |
|
| Ein Baummodell, bei dem die Zielvariable einen diskreten Satz von Werten annehmen kann. | Ein Baummodell, bei dem die Zielvariable kontinuierliche Werte annehmen kann, typischerweise reelle Zahlen. |
| Abhängige Variable | |
| Für den Klassifikationsbaum sind die abhängigen Variablen kategorial. | Für den Regressionsbaum sind die abhängigen Variablen numerisch. |
| Werte | |
| Hat eine festgelegte Menge an ungeordneten Werten. | Hat entweder diskrete, aber geordnete Werte oder indiskrete Werte. |
| Bauzweck | |
| Der Zweck der Konstruktion des Regressionsbaums besteht darin, ein Regressionssystem so an jeden Determinantenzweig anzupassen, dass sich der erwartete Ausgabewert ergibt. | Ein Klassifikationsbaum verzweigt sich, wie durch eine abhängige Variable bestimmt, die vom vorherigen Knoten abgeleitet wurde. |
Zusammenfassung – Klassifikation vs. Regression
Regressions- und Klassifikationsbäume sind hilfreiche Techniken, um den Prozess abzubilden, der auf ein untersuchtes Ergebnis hinweist, sei es in der Klassifikation oder in einem einzelnen numerischen Wert. Der Unterschied zwischen dem Klassifikationsbaum und dem Regressionsbaum ist ihre abhängige Variable. Klassifikationsbäume haben abhängige Variablen, die kategorial und ungeordnet sind. Regressionsbäume haben abhängige Variablen, die kontinuierliche Werte oder geordnete ganze Werte sind.
