Приоритизация моделей

Демистификация науки о принятии решений

Howard Friedman

Adjunct Professor at Columbia University

Начинаем с простого: линейная регрессия

Простота — это сила

Интерпретируемость важна

Многие реальные задачи требуют бинарных или категориальных предсказаний:

Обнаружение мошенничества, прогноз оттока клиентов, модели оценки рисков в медицине

Логистическая регрессия отличается высокой универсальностью

Вероятности поддерживают принятие решений

Легко интерпретировать и реализовать

Начните с надёжной базовой модели

Сначала создайте рабочую версию, затем оцените целесообразность более сложных моделей

Преобразования признаков повышают качество модели

Согласуйте допущения модели с данными

Некоторые модели, например линейная регрессия, работают лучше при нормальном распределении остатков

Логарифм и квадратный корень сжимают широкие диапазоны и снижают влияние выбросов
Стандартизация и нормализация приводят признаки к сопоставимым диапазонам — особенно полезно при разных единицах измерения
Полиномиальные члены — например, квадратичные и кубические — позволяют описывать сложные нелинейные зависимости с минимальными усилиями

Применяйте преобразования для улучшения ранних моделей, прежде чем переходить к сложным

Демистификация науки о принятии решений