Hogyan jósolnak a fa és a lineáris regresszió egy olyan objektumra, amelynek jellemzője kívül esik a tanulási tartományon?

A döntési fa az objektum predikálásakor, ha a jellemző az oktatási tartományon kívül esik, egyszerűen követi az ágakat, összehasonlítva a jellemző értékét a csomópontokban lévő küszöbökkel. Ha a jellemző értéke meghaladja az oktatási tartományt, a fa eléri a legközelebbi küszöböt tartalmazó levélcsomópontot, és az adott levél adatai alapján ad előrejelzést. Vagyis a fa nem extrapolál, hanem a legközelebbi ismert területet használja.

A lineáris regresszió ezzel szemben egy olyan modell, amelynek képlete y = w*x + b, ahol x a jellemző értéke. Ha a jellemző értéke kívül esik az oktatási tartományon, a lineáris regresszió egyszerűen behelyettesíti ezt az értéket a képletbe, és előrejelzést ad, lineárisan extrapolálva az oktatási adatokon túl. Ez kevésbé megbízható előrejelzésekhez vezethet, ha a modell nem általánosít jól az oktatási tartományon kívül.