Почему обычную линейную модель не стоит использовать, чтобы предсказывать вероятности?

Почему для категориальных целевых переменных нельзя использовать обычную линейную регрессию?

Скоринг

Партиционирование (разделение) данных

Сложность модели

Терминология предиктивного моделирования

Переход от объяснительного к предиктивному моделированию

Эффективный цикл линейного моделирования

Как устранить мультиколлинеарность

Диагностика мультиколлинеарности и VIF

Что означает «мультиколлинеарность»?

Что делать с весомыми наблюдениями?

DFBETA

DFFITS

D-статистика Кука

Стандартизированные остатки

Весомые наблюдения

Обнаружение выбросов

Проверка математических условий применимости линейных моделей с помощью графиков

Квартет Энскума и важность изучения графиков

Математические условия применимости линейной регрессии

Статистика Cp Мэллоуса

Скорректированный коэффициент детерминации

Информационные критерии

Остаются ли значения коэффициентов и их значимости правильными в результате подбора?

Методы пошагового подбора переменных

Выбор линейной модели

Частичные графики регрессии

Способы применения множественной линейной регрессии

Достоинства и недостатки множественной линейной регрессии

Математические условия применимости множественной линейной регрессии

Проверка гипотез множественной линейной регрессии

Модель множественной линейной регрессии

Множественная регрессия с двумя предикторами

Математические условия применимости простейшей линейной регрессии

Проверка гипотезы линейной регрессии

Объяснённая и необъяснённая изменчивость

Базовая модель (Нулевая гипотеза) линейной регрессии

Метод наименьших квадратов

Модель простейшей (бинарной) линейной регрессии

Обзор линейной регрессии

Занимаюсь анализом данных для бизнеса более 16 лет, из которых последние 14+ лет — на руководящих позициях, включая позиции в топ-менеджменте (CDO/CDS) таких компаний как Объединённое кредитное бюро, Платформа больших данных, Ростелеком - Информационные технологии и Samsung Electronics (в СНГ). В 2017 году получил Ph.D. в Университете штата Нью-Йорк. В настоящее время Начальник управления валидации Альфа-Банка, где я развиваю и поддерживаю методологию валидации математических моделей, в том числе рисковых, маркетинговых моделей и решений на основе ИИ. В целом, помогаю выстраивать функцию управления и анализа данных на стратегическом уровне (как систему для принятия управленческих решений), включая организацию работы команд различного размера и подходящих бизнес-процессов. Могу перевести бизнес-проблемы в конкретные аналитические и технологические решения. Вот некоторые из моих результатов в прошлом:<ol><li>Построил системы управления и анализа данных в таких компаниях как Samsung, Объединённое кредитное бюро, совместном проекте Ростелекома и ВТБ. Сделал анализ и работу с данными неотъемлемой частью культуры принятия решений в этих компаниях. Заставил данные работать на финансовый результат</li><li>Сформировал и организовал команды специалистов в этих компаниях. Занимался обучением и профессиональным развитием аналитиков и инженеров данных. Провёл в общей сложности несколько сотен собеседований за последние 10 лет</li><li>Произвёл революцию в управлении высшим образованием в США: внедрил математические методы и методы работы с данными, характерные для коммерческого сектора, для принятия решений. Автор научных статей и презентаций по данной теме</li><li>Автор учебных курсов по анализу данных для управленцев на русском и английском языке. Мои научные статьи опубликованы в журналах уровня A в США</li><li>Помогаю защитить докторские диссертации выпускникам бизнес-школ США. Участвую в нескольких научных проектах американских вузов</li></ol>Данный проект рассчитан на руководителей и просто интересующихся, которые хотели бы разобраться в управлении с помощью количественных / математических методов. В основном речь пойдёт о Data Science, как о самом популярном подходе. Но на ней я останавливаться не буду: есть ещё кибернетика, системная динамика, теория игр и так далее. К тому же, для меня Data Science - это способ решить практические проблемы с помощью данных, а не только DS в узком смысле как набор алгоритмов машинного обучения.Данный проект нацелен на промежуточный путь между двумя крайностями: чрезмерным углублением в математические детали для технических специалистов и чрезмерно поверхностным изложением материала для руководителей. Промежуточный путь необходим тем, кто хочет понимать как и что работает, как и что лучше использовать для конкретной бизнес-задачи без погружение в технические детали и программирование.Хотя этот проект не претендует на полный охват всех имеющихся тем, я планирую свести публикуемые материалы в стройную систему, удобную для использования практиками.

Безвозмездное пожертвование без возможности возврата. Этот взнос не предоставляет доступ к закрытому контенту.

Блог посвящён управлению с помощью количественных подходов. Самым популярным из этих подходов является Data Science, но им я органичиваться не буду. Материалы будут написаны нетехническим языком и рассчитаны на тех, кто хочет в них  разобраться

блог посвящён управлению с помощью количественных подходов. самым популярным из этих подходов является data science, но им я органичиваться не буду. материалы будут написаны нетехническим языком и рассчитаны на тех, кто хочет в них  разобраться

Data Science для Менеджеров

линейная регрессия