В чем разница между линейной регрессией и случайным лесом

Линейная регрессия — простая модель, которая предсказывает целевую переменную как линейную комбинацию признаков. Подходит для задач с линейной зависимостью, интерпретируема, но чувствительна к выбросам и мультиколлинеарности.

Случайный лес — ансамблевая модель из множества решающих деревьев. Работает с нелинейными зависимостями, устойчив к шуму и выбросам, но менее интерпретируем и требует больше вычислительных ресурсов.

Пример кода:

# Линейная регрессия
from sklearn.linear_model import LinearRegression
lr = LinearRegression()
lr.fit(X_train, y_train)

# Случайный лес
from sklearn.ensemble import RandomForestRegressor
rf = RandomForestRegressor()
rf.fit(X_train, y_train)

Выбор зависит от задачи: если важна интерпретация и линейность — линейная регрессия, если точность и сложные зависимости — случайный лес.