Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Lineare Regression ist ein Arbeitspferd der Statistik, kommt aber bei manchen komplexen Datentypen an Grenzen. Ein generalisiertes lineares Modell (GLM) erweitert die lineare Regression um nicht-normalverteilte Daten, etwa binomiale und Zähldaten. In diesem Kurs erweiterst du deinen Data-Science-Werkzeugkasten um GLMs in R. Dabei lernst du, wie du binomiale Daten mit logistischer Regression und Zähldaten mit Poisson-Regression modellierst. Außerdem erfährst du, wie du diese Ergebnisse interpretierst und mit ggplot2 visualisierst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
GLMs – eine Erweiterung deines Regressions-Werkzeugkastens
In diesem Kapitel lernst du, wie generalisierte lineare Modelle eine Erweiterung anderer Modelle in deinem Data-Science-Werkzeugkasten sind. Außerdem wird die Poisson-Regression genutzt, um in generalisierte lineare Modelle einzuführen.
- Grenzen linearer Modelle50 XP
- Annahmen linearer Modelle50 XP
- Auffrischung: Lineare Modelle fitten100 XP
- Poisson-Regression50 XP
- Poisson-Regression in R anpassen100 XP
- Lineare vs. Poisson-Regression vergleichen100 XP
- Achsenabschnitts‑Vergleiche vs. Mittelwerte100 XP
- Grundlegende lm()-Funktionen mit glm()50 XP
- Anwenden von summary(), print() und tidy() auf glm100 XP
- Koeffizienten aus glm() extrahieren100 XP
- Vorhersagen mit glm()100 XP
2
Logistische Regression
Dieses Kapitel behandelt das Ausführen einer logistischen Regression und die Betrachtung der Modellausgaben.
3
GLMs interpretieren und visualisieren
In diesem Kapitel lernst du, GLM-Koeffizienten zu interpretieren und GLMs mit ggplot2 zu plotten.
4
Multiple Regression mit GLMs
In diesem Kapitel lernst du, wie du in R multiple Regression mit GLMs durchführst.
R
Generalisierte lineare Modelle in R
Kurs
abgeschlossen
