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 beiden am weitesten verbreiteten statistischen Modelle und wirken wie Generalschlüssel, die die in Datensätzen verborgenen Zusammenhänge aufschließen. In diesem Kurs baust du auf den Fähigkeiten aus „Introduction to Regression in Python with statsmodels“ auf und lernst lineare und logistische Regression mit mehreren erklärenden Variablen. In praxisnahen Übungen untersuchst du Zusammenhänge zwischen Variablen in realen Datensätzen, etwa den Hauspreisen in Taiwan und beim Modeling von Kundenabwanderung, und mehr. Am Ende dieses Kurses weißt du, wie du mehrere erklärende Variablen in ein Modell aufnimmst, wie Interaktionen zwischen Variablen Vorhersagen beeinflussen, und verstehst, wie lineare und logistische Regression funktionieren.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Parallele Steigungen
Erweitere deine Kenntnisse in linearer Regression zur Regression mit parallelen Steigungen, mit einer numerischen und einer kategorialen erklärenden Variablen. Das ist der erste Schritt, um die multiple lineare Regression zu meistern.
- 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 des Parallel-Slopes-Modells visualisieren100 XP
- Vorhersagen manuell berechnen100 XP
- Modellleistung bewerten50 XP
- Bestimmtheitsmaße vergleichen100 XP
- Vergleich der Residualstandardabweichung100 XP
2
Interaktionen
Erkunde den Effekt von Interaktionen zwischen erklärenden Variablen. Wenn du Interaktionen berücksichtigst, erhältst du realistischere Modelle mit oft höherer Vorhersagekraft. Außerdem beschäftigst du dich mit dem Simpson-Paradoxon: einem nicht-intuitiven Ergebnis, das auftritt, wenn mehrere erklärende Variablen vorliegen.
3
Multiple lineare Regression
Erfahre, wie Modellierung und lineare Regression die Arbeit mit mehr als zwei erklärenden Variablen einfach machen. 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. Du lernst außerdem die logistische Verteilung kennen, die dieser Regressionsform zugrunde liegt, bevor du deinen eigenen Algorithmus für logistische Regression implementierst.
Fortgeschrittene Regression mit statsmodels in Python
Kurs
abgeschlossen
