Как дерево и линейная регрессия предсказывают для объекта с признаком вне обучающего диапазона?

Дерево решений при предсказании для объекта с признаком вне обучающего диапазона просто следует по ветвям, сравнивая значение признака с порогами в узлах. Если значение признака выходит за пределы обучающего диапазона, дерево попадёт в листовой узел, соответствующий ближайшему порогу, и выдаст предсказание, основанное на данных этого листа. То есть дерево не экстраполирует, а использует ближайшую известную область.

Линейная регрессия, напротив, является моделью с формулой вида y = w*x + b, где x — значение признака. Если значение признака выходит за обучающий диапазон, линейная регрессия просто подставляет это значение в формулу и выдаёт предсказание, фактически экстраполируя линейно за пределы обучающих данных. Это может привести к менее надёжным предсказаниям, если модель плохо обобщает вне обучающего диапазона.