Какие плюсы и минусы линейной регрессии в сравнении с KNN

Плюсы линейной регрессии:

• Интерпретируемость: коэффициенты показывают влияние признаков на целевую переменную.
• Быстрое обучение: O(n*p) для n наблюдений и p признаков.
• Хорошо работает с линейными зависимостями.
• Меньше склонна к переобучению при правильной регуляризации.

Минусы линейной регрессии:

• Предполагает линейную зависимость, плохо работает с нелинейными данными.
• Чувствительна к выбросам и мультиколлинеарности.

Плюсы KNN:

• Не делает предположений о форме зависимости.
• Прост в реализации и понимании.
• Хорошо работает с нелинейными данными.

Минусы KNN:

• Медленный прогноз: O(n*p) для каждого нового наблюдения.
• Чувствителен к масштабу данных и шумам.
• Требует подбора оптимального k (числа соседей).

# Пример сравнения
from sklearn.linear_model import LinearRegression
from sklearn.neighbors import KNeighborsRegressor

# Линейная регрессия
lr = LinearRegression().fit(X_train, y_train)
# KNN
knn = KNeighborsRegressor(n_neighbors=5).fit(X_train, y_train)