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 verborgene Muster in Datensätzen sichtbar machen. In diesem Kurs lernst du, wie du einfache lineare und logistische Regressionen anpasst. In praktischen Übungen untersuchst du Zusammenhänge zwischen Variablen in realen Datensätzen, darunter Kfz-Versicherungsschäden, Hauspreise in Taiwan, Fischgrößen und mehr. Am Ende dieses Kurses weißt du, wie du aus deinen Daten Vorhersagen triffst, die Modellgüte quantifizierst und Probleme bei der Modellanpassung diagnostizierst.
Voraussetzungen
Lernprogramm
Kursübersicht
1
Einfache lineare Regression
Du lernst die Grundlagen dieses beliebten statistischen Modells, was Regression ist und worin sich lineare und logistische Regression unterscheiden. Anschließend erfährst du, wie du einfache lineare Regressionsmodelle mit numerischen und kategorialen erklärenden Variablen anpasst und wie du die Beziehung zwischen Zielvariable und erklärenden Variablen anhand der Modellkoeffizienten beschreibst.
- Eine Geschichte von zwei Variablen50 XP
- Welche ist die Zielvariable?50 XP
- Zwei Variablen visualisieren100 XP
- Eine lineare Regression fitten50 XP
- Den Achsenabschnitt schätzen50 XP
- Schätze die Steigung50 XP
- Lineare Regression mit lm()100 XP
- Kategoriale erklärende Variablen50 XP
- Numerisch vs. kategorial visualisieren100 XP
- Mittelwerte nach Kategorie berechnen100 XP
- lm() mit einer kategorialen erklärenden Variable100 XP
2
Vorhersagen und Modellobjekte
In diesem Kapitel erfährst du, wie du lineare Regressionsmodelle nutzt, um Vorhersagen zu Hauspreisen in Taiwan und Klicks auf Facebook-Anzeigen zu machen. Außerdem vertiefst du deine Regressionskenntnisse, indem du praktisch mit Modellobjekten arbeitest, das Konzept der „Regression zur Mitte“ verstehst und lernst, Variablen in einem Datensatz zu transformieren.
3
Modellgüte bewerten
In diesem Kapitel lernst du, wie du deinem Modell gezielt Fragen stellst, um die Güte zu beurteilen. Du lernst, wie du quantifizierst, wie gut ein lineares Regressionsmodell passt, wie du Modellprobleme mithilfe von Visualisierungen diagnostizierst und wie du den Hebel und Einfluss jeder Beobachtung, die zur Modellerstellung verwendet wurde, verstehst.
4
Einfache logistische Regression
Lerne, logistische Regressionsmodelle anzupassen. Mit realen Daten sagst du die Wahrscheinlichkeit voraus, dass ein Kunde sein Bankkonto schließt – sowohl als Erfolgswahrscheinlichkeiten als auch als Chancenverhältnisse – und quantifizierst die Modellgüte mithilfe von Konfusionsmatrizen.
R
Einführung in Regression mit R
Kurs
abgeschlossen
