Библиотека собеса по Data Science | вопросы с собеседований

Когда не стоит использовать обобщённые линейные модели (GLM), такие как линейная и логистическая регрессии?

1️⃣ Если между переменными наблюдается значительная нелинейность. В таких случаях лучше рассмотреть альтернативные модели, способные учесть эти особенности.
2️⃣ Обобщённые линейные модели предполагают выполнение определённых условий: нормальность остатков, гомоскедастичность и отсутствие мультиколлинеарности. Если эти условия не соблюдаются, результаты могут оказаться ненадёжными.
3️⃣ GLM могут быть подвержены влиянию выбросов или экстремальных значений.

www.tgoop.com/ds_interview_lib/754

1.0K viewsDec 25, 2024 at 18:20

Когда не стоит использовать обобщённые линейные модели (GLM), такие как линейная и логистическая регрессии?

1️⃣ Если между переменными наблюдается значительная нелинейность. В таких случаях лучше рассмотреть альтернативные модели, способные учесть эти особенности.
2️⃣ Обобщённые линейные модели предполагают выполнение определённых условий: нормальность остатков, гомоскедастичность и отсутствие мультиколлинеарности. Если эти условия не соблюдаются, результаты могут оказаться ненадёжными.
3️⃣ GLM могут быть подвержены влиянию выбросов или экстремальных значений.

BY Библиотека собеса по Data Science | вопросы с собеседований