'/%3e%3cpath%20d='M83.8172%20112C100.688%20112%20111.886%2098.2694%20112%2083.8882H44.0245C25.8409%2083.8882%2016.001%2094.3169%2016.001%20112H83.8172Z'%20fill='url(%23paint1_linear_101_577)'/%3e%3cpath%20d='M44.1725%2044.1138H16.0008C15.9465%2051.0963%2018.504%2058.2306%2024.2977%2064.0225L44.1706%2083.8881L52.8986%2075.3569L61.7636%2066.7019C63.2767%2065.2244%2063.2786%2062.7888%2061.7636%2061.3094L44.1725%2044.1138Z'%20fill='%233A5FFF'/%3e%3cpath%20d='M83.8248%2083.8862H111.996C112.051%2076.9037%20109.493%2069.7693%20103.7%2063.9774L83.8267%2044.1118L75.0986%2052.6431L66.2337%2061.2981C64.7206%2062.7756%2064.7187%2065.2112%2066.2337%2066.6906L83.8248%2083.8862Z'%20fill='%233A5FFF'/%3e%3cdefs%3e%3clinearGradient%20id='paint0_linear_101_577'%20x1='16.001'%20y1='30.055'%20x2='111.998'%20y2='30.055'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3clinearGradient%20id='paint1_linear_101_577'%20x1='111.998'%20y1='97.9451'%20x2='16.001'%20y2='97.9451'%20gradientUnits='userSpaceOnUse'%3e%3cstop%20stop-color='%2370ADFE'/%3e%3cstop%20offset='0.62'%20stop-color='%233A5FFF'/%3e%3c/linearGradient%3e%3c/defs%3e%3c/svg%3e)
Регрессионный анализ
Регрессия — настоящий «рабочий конь» бизнес-аналитики. Большинство задач, где сложные нейросети не нужны, неплохо решаются обычной регрессией.
Виды
- Линейная регрессия — самая простая и популярная: y = a + b·x.
- Множественная — несколько независимых переменных одновременно.
- Логистическая — для предсказания вероятности бинарного события (купит / не купит).
- Нелинейные — полиномиальная, экспоненциальная, специальные модели временных рядов.
Что важно
- Регрессия показывает связь, а не обязательно причинность.
- Нужно проверять предположения модели: линейность, независимость остатков, отсутствие сильной мультиколлинеарности.
- На выходе получается интерпретируемая формула — это важное преимущество перед «чёрными ящиками».
Когда применять и когда нет
Применять
- Когда нужно количественно оценить влияние нескольких факторов
- В простых прогнозах с небольшим числом признаков
- В задачах, где важна интерпретация и объяснение модели
Не применять
- Очень сложные нелинейные связи в больших данных — здесь часто лучше работают деревья и нейросети
- Задачи без чётко определённой зависимой переменной
Примеры применения
Аналитик строит регрессию выручки магазина от расходов на рекламу, числа открытых точек и сезонности. Модель показывает, что 1 рубль расходов на онлайн-рекламу в среднем приносит 4 рубля выручки, на офлайн — 1,8 рубля, а сезонный фактор объясняет около 30% колебаний. Это не магическая формула «успеха», но честный ориентир, на основе которого команда перераспределяет бюджет рекламы.
Часто задаваемые вопросы
Регрессия — классический статистический метод, который сейчас часто включают в курсы по машинному обучению. Это и ML, и статистика одновременно: с точки зрения алгоритма — простой ML-метод, с точки зрения интерпретации — стандартная статистика.
Линейная регрессия предсказывает непрерывное значение: выручку, цену, длительность. Логистическая — вероятность бинарного события: купит ли клиент, уйдёт ли он. Несмотря на близкие названия, это разные задачи и разные типы выводов.