Niektóre techniki modelowania predykcyjnego są bardziej zaprojektowane do obsługi ciągłych predyktorów, podczas gdy inne są lepsze do obsługi zmiennych jakościowych lub dyskretnych. Oczywiście istnieją techniki przekształcania jednego typu na inny (dyskretyzacja, zmienne fikcyjne itp.). Czy są jednak jakieś techniki modelowania predykcyjnego, które zostały zaprojektowane do obsługi obu typów danych wejściowych w tym samym czasie bez zwykłego przekształcania rodzaju funkcji? Jeśli tak, to czy te techniki modelowania działają lepiej na danych, do których są bardziej naturalne?
Najbliższa rzecz, że wiem to, że zwykle drzewa decyzyjne obsługi danych dyskretnych dobrze i obsługi danych, bez konieczności ciągłych górę przednią dyskretyzacji. Jednak nie do końca tego szukałem, ponieważ efektywne podziały na ciągłe funkcje są tylko formą dynamicznej dyskretyzacji.
Dla odniesienia, oto kilka powiązanych, nie dublujących się pytań: