Einführung in Predictive Analytics mit Python

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?

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.

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.

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.