Ciencia de los datos - entrevistas

🤔 Если говорить про бизнес, что лучше выбрать линейную модель или дерево? Выбор между линейной моделью и деревом решений зависит от нескольких факторов: 🟠Линейная модель - Данные имеют линейные зависимости между признаками и целевой переменной. - Модель должна быть интерпретируемой (например, в финансовой сфере, где важна прозрачность решений). - Требуется быстрая работа, особенно на больших данных. - Данные не слишком сложные, без сильных взаимодействий между признаками. 🟠Дерево решений - Данные имеют сложные, нелинейные зависимости. - Важна автоматическая обработка пропущенных значений и отсутствие необходимости масштабировать данные. - Нужно учитывать взаимодействия между признаками (например, если один признак влияет на результат только при определённом значении другого признака). - Интерпретация менее важна, но важна высокая точность. 🚩Примеры 🟠Линейная модель: прогноз продаж по цене Допустим, у нас есть зависимость: чем выше цена, тем ниже продажи. Можно использовать линейную регрессию: from sklearn.linear_model import LinearRegression X = [[10], [20], [30], [40]] # Цена товара y = [1000, 800, 600, 400] # Продажи model = LinearRegression() model.fit(X, y) print(model.predict([[25]])) # Прогнозируем продажи при цене 25 🟠Дерево решений: кредитный скоринг Допустим, банк решает, выдавать ли кредит. У клиента есть признаки: доход, возраст, наличие задолженности. Взаимодействия сложные, например: - Если у человека низкий доход и есть задолженность, то отказ. - Если высокий доход, но был просроченный кредит, нужно учитывать другие факторы. from sklearn.tree import DecisionTreeClassifier X = [[25, 30000, 0], [40, 60000, 1], [35, 80000, 0], [50, 50000, 1]] # Возраст, доход, задолженность y = [0, 0, 1, 1] # 0 - отказ, 1 - одобрение model = DecisionTreeClassifier() model.fit(X, y) print(model.predict([[30, 70000, 0]])) # Прогноз для нового клиента Ставь 👍 и забирай 📚 Базу знаний