50 % Rabatt auf DataCamp Premium. Über 700 Kurse zum halben Preis. Beginne jetzt mit dem Lernen.
Kursbeschreibung
In diesem Kurs lernst du, ein Logit-Modell (logistische Regression) mit aussagekräftigen Variablen zu erstellen. Außerdem erfährst du, wie du dieses Modell für Vorhersagen nutzt und es sowie seine Leistungsfähigkeit verständlich für Business-Stakeholder präsentierst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Logistische Regressionsmodelle erstellen
In diesem Kapitel lernst du die Grundlagen der logistischen Regression: Wie sagst du ein binäres Ziel mit kontinuierlichen Variablen voraus, wie interpretierst du das Modell, und wie nutzt du es für Vorhersagen zu neuen Fällen?
- Einführung und Struktur der Basistabelle50 XP
- Struktur der Basistabelle50 XP
- Die Basistabelle erkunden100 XP
- Die Prädiktorvariablen erkunden100 XP
- Logistische Regression50 XP
- Interpretation von Koeffizienten50 XP
- Ein logistisches Regressionsmodell erstellen100 XP
- Koeffizienten und Intercept anzeigen100 XP
- Das Logit-Modell verwenden50 XP
- Vorhersagen treffen100 XP
- Spender mit der höchsten Spendewahrscheinlichkeit100 XP
2
Vorwärtsgerichtete schrittweise Variablenauswahl für die logistische Regression
In diesem Kapitel erfährst du, warum die Variablenauswahl entscheidend für ein nützliches Modell ist. Du lernst außerdem, wie du eine vorwärtsgerichtete schrittweise Variablenauswahl für die logistische Regression umsetzt und wie du die Anzahl der Variablen für dein finales Modell festlegst.
3
Modellleistung für das Business erklären
Jetzt, da du weißt, wie man ein gutes Modell baut, solltest du Stakeholder mit passenden Grafiken von der Nutzung überzeugen. Du lernst, wie du die kumulative Zugewinnkurve und die Lift-Grafik erstellst und interpretierst.
4
Modelle interpretieren und erklären
Im geschäftlichen Kontext ist es oft wichtig, die Intuition hinter deinem Modell zu erklären. Ergibt das Modell mit seinen Variablen keinen Sinn, wird es möglicherweise nicht eingesetzt. In diesem Kapitel lernst du, wie du die Beziehung zwischen den Modellvariablen und dem Ziel mithilfe von Predictor-Insight-Grafiken erklärst.
Einführung in Predictive Analytics mit Python
Kurs
abgeschlossen
