مقایسۀ کارایی روش‌های رده‌بندی‌کننده‌ رگرسیون لجستیک و رگرسیون درختی برای متغیر وابسته باینری

در این مقاله میزان کارایی مدل‌های رده‌بندی رگرسیون لجستیک باینری و رگرسیون درختی روی متغیر وابسته باینری بررسی می‌شود. شیوۀ پردازش مدل، استفاده از تمام داده‌ها در مرحلۀ آموزشی است. مجموعه داده‌های مورد مطالعه از یک گزارش مطالعاتی دربارۀ سوابق بیماری زردی به دست آمده است که یک مجموعه داده شامل متغیرهای کمی و کیفی است. میزان کارایی دو روش طبقه‌بندی‌کننده‌ رگرسیون لجستیک و رگرسیون رده‌بندی درخت تصمیم، بر اساس معیارهای کارایی آماری نظیر دقت، توجه به موارد خاص، و تحلیل حساسیت است. نتایج تجربی ما نشان می‌دهد که رگرسیون لجستیک، دقت بالای 83% و رگرسیون درختی میزان دقت حدود 73% را بر روی مجموعه نشان داده‌اند. 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 می‌دهد رگرسیون لجستیک باینری بهتر از رگرسیون درختی عمل کرده است.