Một số kỹ thuật mô hình dự đoán được thiết kế nhiều hơn để xử lý các yếu tố dự đoán liên tục, trong khi các kỹ thuật khác tốt hơn để xử lý các biến phân loại hoặc rời rạc. Tất nhiên tồn tại các kỹ thuật để chuyển đổi loại này sang loại khác (sự rời rạc, biến giả, v.v.). Tuy nhiên, có bất kỳ kỹ thuật mô hình dự đoán nào được thiết kế để xử lý cả hai loại đầu vào cùng một lúc mà không đơn giản chuyển đổi loại tính năng không? Nếu vậy, các kỹ thuật mô hình hóa này có xu hướng hoạt động tốt hơn trên dữ liệu mà chúng phù hợp tự nhiên hơn không?
Điều gần nhất mà tôi biết là thường là các cây quyết định xử lý tốt dữ liệu rời rạc và chúng xử lý dữ liệu liên tục mà không yêu cầu sự phân tách trước . Tuy nhiên, đây không hoàn toàn là những gì tôi đang tìm kiếm vì hiệu quả của việc chia tách trên các tính năng liên tục chỉ là một hình thức phân tách động.
Để tham khảo, đây là một số câu hỏi liên quan, không trùng lặp: