مقايسۀ كارايي روش‌هاي رده‌بندي‌كننده‌ رگرسيون لجستيك و رگرسيون درختي براي متغير وابسته باينري

Performance Comparison of Logistic Regression and Classification Regression tree Models for Binary Dependent Variable

در این مقاله میزان كارایی مدل‌های رده‌بندی رگرسیون لجستیك 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 یك گزارش مطالعاتی دربارۀ سوابق بیماری زردی به دست آمده است كه یك مجموعه داده شامل متغیرهای كمی و كیفی است. میزان كارایی دو روش طبقه‌بندی‌كننده‌ رگرسیون لجستیك و رگرسیون رده‌بندی درخت تصمیم، بر اساس معیارهای كارایی آماری نظیر دقت، توجه به موارد خاص، و تحلیل حساسیت است. نتایج تجربی ما نشان می‌دهد كه رگرسیون لجستیك، دقت بالای 83% و رگرسیون درختی میزان دقت حدود 73% را بر روی مجموعه نشان داده‌اند. به همین ترتیب میزان حساسیت رگرسیون لجستیك 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 كارایی مدل نشان می‌دهد رگرسیون لجستیك باینری بهتر از رگرسیون درختی عمل كرده است.

This paper describes the performance analysis of two classifier models common in statistics and data mining on binary dependent variable, binary Logistic Regression (B.LR) and Classification Regression Tree (CART). The evaluation method is using all data in training stage. The using data set is from “Evaluation of patients with Jaundice on children” report. Data set is collection of categorical and continues independent variables. The classification performance of two classifiers is presented by using statistical performance measures like accuracy, specificity and sensitivity. Experimental result showed that accuracy of LR is more than 83% and CLASSIFICATION AND REGRESSION TREE is nearly 73%. So the sensitivity measure for BINARY LOGISTIC REGRESSION is nearby 77% and 66% for CLASSIFICATION AND REGRESSION TREE as well the specificity scale is 85% for BINARY LOGISTIC REGRESSION and 76% for CLASSIFICATION AND REGRESSION TREE. The result shows the performance of BINARY LOGISTIC REGRESSION classifier is found to be better than CLASSIFICATION AND REGRESSION TREE.