在机器学习的世界里，模型的选择和评估是至关重要的。但在我们深入研究高级模型之前，了解基础模型，如DummyClassifier和DummyRegressor，是非常有用的。
这些“伪模型”通常用作基准，可以更好地理解其他更复杂模型的性能。
在进入主题之前，让我们先了解一下Cross Decomposition。Cross Decomposition是一种用于找出两组变量之间关系的技术。这通常用于回归分析和分类任务，以便更好地理解输入和输出变量之间的相互作用。
现在，让我们从以下五个方面对DummyClassifier和DummyRegressor进行全面的对比。
DummyClassifier通常用于分类问题，而DummyRegressor用于回归问题。从性能角度来看，这两者通常不会提供高质量的预测结果，因为它们只是生成基于输入数据分布或简单规则的预测。然而DummyClassifier和DummyRegressor的主要价值在于提供一个基准，以便我们可以更准确地评估其他更复杂模型的性能。
| 维度 | DummyClassifier | DummyRegressor |
|---|---|---|
| 计算速度 | 非常快 | 非常快 |
| 准确性 | 通常较低 | 通常较低 |
| 可扩展性 | 高 | 高 |
| 稳定性 | 高 | 高 |
Dum