克劳迪娅·佩里奇;福斯特教务长;杰弗里·西蒙诺夫。 树归纳与逻辑回归：学习曲线分析。 （英语） Zbl 1093.68088号 J.马赫。学习。物件。 4，第2期，211-255（2004）. 小结：树归纳法和逻辑回归法是两种标准的、非现成的建立分类模型的方法。我们对logistic回归和树归纳进行了大规模的实验比较，根据类别成员概率评估分类准确性和排名质量。我们使用学习曲线分析来检查这些指标与训练集大小的关系。研究结果表明了几点。（1） 与先前的一些观察相反，逻辑回归通常并不优于树归纳法。（2） 更具体地说，逻辑回归对于较小的训练集更好，而树归纳对于较大的数据集更好。重要的是，这通常适用于来自同一域的训练集（即学习曲线交叉），因此关于归纳算法在给定域上的优势的结论必须基于对学习曲线的分析。（3） 与传统智慧相反，树归纳法在生成基于概率的排名方面是有效的，尽管对于给定的训练集大小而言，树归纳显然不如进行分类。最后，（4）通过简单测量信号与噪声的可分性，可以很好地描述树归纳和逻辑回归最终更可取的域。 引用于12文件 MSC公司： 68T05型 人工智能中的学习和自适应系统 软件：R（右）;UCI-毫升 PDF格式BibTeX公司 XML格式引用 \textit{C.Perlich}等人，J.Mach。学习。第4号决议，第2号，211--255（2004年；Zbl 1093.68088） 全文： 内政部