Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Lineare Regression und logistische Regression sind die zwei am weitesten verbreiteten statistischen Modelle und wirken wie Generalschlüssel, die die in Datensätzen verborgenen Muster aufschließen. Dieser Kurs baut auf den Fähigkeiten aus "Einführung in die Regression in R" auf und behandelt lineare und logistische Regression mit mehreren erklärenden Variablen. In praxisnahen Übungen untersuchst du Zusammenhänge zwischen Variablen in realen Datensätzen, etwa taiwanische Immobilienpreise und Churn-Modellierung, und mehr. Am Ende dieses Kurses weißt du, wie du mehrere erklärende Variablen in ein Modell aufnimmst, wie Interaktionen zwischen Variablen Vorhersagen beeinflussen, und wie lineare und logistische Regression funktionieren.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Parallele Steigungen
Erweitere deine Kenntnisse in linearer Regression auf die Regression mit „parallelen Steigungen“, mit einer numerischen und einer kategorialen erklärenden Variable. Das ist der erste Schritt hin zur Beherrschung der multiplen linearen Regression.
- Lineare Regression mit parallelen Steigungen50 XP
- Anpassen einer Parallel-Slopes-Linearen Regression100 XP
- Koeffizienten bei Parallel-Slopes interpretieren100 XP
- Jede erklärende Variable visualisieren100 XP
- Parallele Steigungen visualisieren100 XP
- Parallele Steigungen vorhersagen50 XP
- Vorhersagen mit einem Parallel-Slopes-Modell100 XP
- Vorhersagen manuell berechnen100 XP
- Modellleistung beurteilen50 XP
- Bestimmtheitsmaße vergleichen100 XP
- Vergleich des Residual-Standardfehlers100 XP
2
Interaktionen
Erkunde den Effekt von Interaktionen zwischen erklärenden Variablen. Das Berücksichtigen von Interaktionen erlaubt realistischere Modelle mit oft besserer Vorhersagekraft. Außerdem beschäftigst du dich mit dem Simpson-Paradoxon: einem nicht intuitiven Ergebnis, das bei mehreren erklärenden Variablen auftreten kann.
3
Multiple lineare Regression
Erfahre, wie Modellierung – insbesondere lineare Regression – die Arbeit mit mehr als zwei erklärenden Variablen erleichtert. Sobald du das Anpassen linearer Regressionsmodelle beherrschst, implementierst du deinen eigenen Algorithmus für lineare Regression.
4
Multiple logistische Regression
Erweitere deine Kenntnisse in logistischer Regression auf mehrere erklärende Variablen. Verstehe die logistische Verteilung, die dieser Regressionsform zugrunde liegt. Abschließend implementierst du deinen eigenen Algorithmus für logistische Regression.
R
Fortgeschrittene Regression in R
Kurs
abgeschlossen
