مقایسه کارایی روش های رده بندی کننده رگرسیون لجستیک و رگرسیون درختی برای متغیر وابسته باینری

در این مقاله میزان کارایی مدل های رده بندی رگرسیون لجستیک باینری و رگرسیون درختی روی متغیر وابسته باینری بررسی می شود. شیوه پردازش مدل، استفاده از تمام داده ها در مرحله آموزشی است. مجموعه داده های مورد مطالعه از یک گزارش مطالعاتی درباره سوابق بیماری زردی به دست آمده است که یک مجموعه داده شامل متغیرهای کمی و کیفی است. میزان کارایی دو روش طبقه بندی کننده رگرسیون لجستیک و رگرسیون رده بندی درخت تصمیم، بر اساس معیارهای کارایی آماری نظیر دقت، توجه به موارد خاص، و تحلیل حساسیت است. نتایج تجربی ما نشان می دهد که رگرسیون لجستیک، دقت بالای 83% و رگرسیون درختی میزان دقت حدود 73% را بر روی مجموعه نشان داده اند. به همین ترتیب میزان حساسیت رگرسیون لجستیک باینری برابر 77% و رگرسیون درختی برابر 66% است. همچنین اندازه توجه به موارد خاص مدل رگرسیون برابر 85% وبرای رگرسیون درختی برابر 76% است. نتایج کارایی مدل نشان می دهد رگرسیون لجستیک باینری بهتر از رگرسیون درختی عمل کرده است.