Как выбираешь модель

Выбор модели зависит от задачи, данных и требований. Для классификации/регрессии сначала пробую простые модели (логистическая регрессия, линейная регрессия), затем перехожу к более сложным (случайный лес, градиентный бустинг). Для NLP/Computer Vision сразу рассматриваю нейросети.

Критерии выбора:

1. Размер данных (мало данных → простые модели)
2. Интерпретируемость (если важно объяснение → линейные модели)
3. Производительность (XGBoost часто лучше нейросетей на табличных данных)
4. Метрики (AUC-ROC, RMSE и т.д.)

Пример кода для сравнения моделей:

from sklearn.ensemble import RandomForestClassifier
from sklearn.linear_model import LogisticRegression
from sklearn.metrics import roc_auc_score

models = {
    "LogReg": LogisticRegression(),
    "RandomForest": RandomForestClassifier()
}

for name, model in models.items():
    model.fit(X_train, y_train)
    preds = model.predict_proba(X_test)[:, 1]
    print(f"{name} AUC: {roc_auc_score(y_test, preds):.3f}")