Nach diesen Kursen fühle ich mich sicher, professionelle Visualisierungen und Dashboards zu erstellen.
Shoebur RahmanBeschaffungsspezialist, Giz Bangladesh
Kursbeschreibung
Python statsmodels für lineare und logistische Regression verwenden
Lineare Regression und logistische Regression sind zwei der am häufigsten verwendeten statistischen Modelle. Sie wirken wie Generalschlüssel, die die Geheimnisse in deinen Daten aufschließen. In diesem Kurs lernst du, wie du einfache lineare und logistische Regressionen anwenden kannst.In praktischen Übungen erkundest du die Beziehungen zwischen Variablen in realen Datensätzen, wie z.B. Kfz-Versicherungsansprüche, Hauspreise in Taiwan, Fischgrößen und mehr.
Entdecke, wie du Vorhersagen treffen und die Modellanpassung bewerten kannst
Zu Beginn dieses 4-stündigen Kurses lernst du, was Regression ist und wie sich lineare und logistische Regression unterscheiden und wie du beide anwenden kannst. Als Nächstes lernst du, wie du lineare Regressionsmodelle verwendest, um Vorhersagen über Daten zu treffen und Modellobjekte zu verstehen.Im weiteren Verlauf lernst du, wie du die Passung deines Modells beurteilen kannst und wie du weißt, wie gut dein lineares Regressionsmodell passt. Zum Schluss beschäftigst du dich mit logistischen Regressionsmodellen, um Vorhersagen für echte Daten zu treffen.
Lerne die Grundlagen der Regressionsanalyse mit Python
Am Ende dieses Kurses wirst du wissen, wie du aus deinen Daten Vorhersagen machen, die Modellleistung quantifizieren und Probleme mit der Modellanpassung diagnostizieren kannst. Du verstehst, wie man Python-Statistikmodelle für Regressionsanalysen verwendet, und kannst die Kenntnisse auf reale Datensätze anwenden.Voraussetzungen
Lernprogramm
Kursübersicht
1
Modellierung mit einfacher linearer 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 Ziel- und erklärenden Variablen mithilfe von Modellkoeffizienten beschreibst.
- Eine Geschichte von zwei Variablen50 XP
- Welche ist die Zielvariable (Response-Variable)?50 XP
- Zwei numerische Variablen visualisieren100 XP
- Eine lineare Regression fitten50 XP
- Den Achsenabschnitt schätzen50 XP
- Schätze die Steigung50 XP
- Lineare Regression mit ols()100 XP
- Kategoriale erklärende Variablen50 XP
- Numerisch vs. kategorial visualisieren100 XP
- Mittelwerte nach Kategorie berechnen100 XP
- Lineare Regression mit einer kategorialen erklärenden Variable100 XP
2
Vorhersagen und Modellobjekte
In diesem Kapitel erfährst du, wie du lineare Regressionsmodelle nutzt, um Vorhersagen zu Immobilienpreisen in Taiwan und Klicks auf Facebook‑Anzeigen zu treffen. Außerdem vertiefst du deine Regressionskenntnisse, indem du mit Modellobjekten arbeitest, das Konzept der „Regression zur Mitte“ verstehst und lernst, Variablen in einem Datensatz zu transformieren.
3
Modellgüte beurteilen
In diesem Kapitel lernst du, welche Fragen du an dein Modell stellen kannst, um die Passung zu beurteilen. Du erfährst, wie du quantifizierst, wie gut ein lineares Regressionsmodell passt, Modellprobleme mithilfe von Visualisierungen diagnostizierst und den Hebel- sowie den Einfluss jedes einzelnen Datenpunkts auf das Modell verstehst.
4
Einfache logistische Regression
Lerne, logistische Regressionsmodelle zu schätzen. Anhand realer Daten sagst du die Wahrscheinlichkeit voraus, dass ein Kunde sein Bankkonto schließt – als Erfolgswahrscheinlichkeit und als Quoten – und bewertest die Modellleistung mithilfe von Konfusionsmatrizen.
Einführung in die Regression mit statsmodels in Python
Kurs
abgeschlossen
