Когда банк выдаёт ипотечный кредит на 15–30 лет, его интересует не столько абстрактная «благонадёжность» заёмщика, сколько конкретная цифра — вероятность того, что график платежей будет нарушен. Именно эту задачу решает логистическая регрессия: она переводит разнородные данные о человеке, кредите и объекте недвижимости в число от нуля до единицы, которое напрямую интерпретируется как probability of default […]
Когда банк принимает решение по ипотечной заявке, он по сути решает задачу бинарной классификации: будет дефолт или нет. Скоринговая модель переводит эту неопределённость в конкретную вероятность, опираясь на десятки признаков заёмщика. Логистическая регрессия — один из самых прозрачных инструментов для такой оценки. Она не просто выдаёт метку класса, а возвращает хорошо откалиброванную вероятность, которую можно […]
В тот момент, когда интуитивных суждений становится недостаточно, на сцену выходит PD-модель — инструмент, переводящий риск дефолта в число на отрезке от 0 до 1. Это не просто классификация «хороший/плохой», а точечная оценка вероятности события в заданном горизонте, чаще всего 12 месяцев. Логистическая регрессия остаётся базовым и самым объяснимым способом построения таких моделей, потому что […]
Скоринговая модель может демонстрировать высокий AUC на тестовой выборке и при этом полностью провалиться в реальной эксплуатации. Знакомая ситуация: кривая ROC выглядит отлично, но как только модель встречает свежие данные — начинаются расхождения между прогнозными вероятностями и фактической частотой дефолтов, а бизнес-метрики ползут вниз. Чтобы не попасть в эту ловушку, модель недостаточно просто прогнать через […]
Выбор между логистической регрессией, деревьями решений и бустингом — это не вопрос технологической моды или «продвинутости» алгоритма. Это вопрос соответствия конкретной прикладной задаче: структуре данных, бизнес-требованиям к интерпретации, допустимому уровню неопределённости и затратам на внедрение. Если нужен прозрачный и стабильный базовый инструмент — обычно начинают с логистической регрессии; если важны нелинейности и легко извлекаемые правила, […]
Логистическая регрессия — одна из самых понятных и практичных моделей для оценки вероятности дефолта заемщика. В кредитном скоринге она остается базовым инструментом не потому, что «устарела», а потому что хорошо объясняется, относительно просто внедряется и дает стабильную отправную точку для принятия решений. С развитием машинного обучения появились более мощные алгоритмы, но логистическая регрессия по-прежнему незаменима […]
Когда модель логистической регрессии выдает число от 0 до 1, мы получаем не просто метку класса, а вероятностную оценку. И сразу возникает вопрос: как понять, насколько эта оценка адекватна? Одной метрикой здесь не обойтись. ROC-кривая показывает поведение модели при любом возможном пороге отсечения, AUC сводит это поведение к одной цифре — способности разделять классы, а […]
Логистическая регрессия — рабочая лошадка бинарной классификации, но её стандартная настройка предполагает, что классы представлены примерно поровну. Реальность рынка недвижимости и финансов далека от этого: дефолтов по ипотеке — единицы на сотни, резкий рост цен фиксируется в 10–15% случаев, а по-настоящему инвестиционно привлекательные объекты — редкость. Если не учитывать такой дисбаланс, модель быстро выучивает доминирующий […]
Когда аналитик строит модель для прогноза роста цен на недвижимость или оценки риска ипотечного дефолта, логистическая регрессия даёт не просто бинарный ответ «да/нет», а вероятность события и, что важнее, количественную меру влияния каждого фактора. Однако коэффициенты здесь работают иначе, чем в линейной регрессии: они живут в пространстве логарифмов шансов. Чтобы извлечь из них практическую пользу, […]
Классическая логистическая регрессия моделирует вероятность бинарного исхода, опираясь на линейный предиктор и сигмоидную функцию связи. Но рынок недвижимости редко сводится к ответам «да/нет». Возьмём инвестиционную привлекательность объекта: низкая, средняя, высокая. Или категорию ипотечного риска заёмщика. Задача остаётся классификационной, однако целевая переменная принимает более двух взаимоисключающих значений. Именно для таких ситуаций обобщают логистическую регрессию до многоклассовой […]