Direkt zum Inhalt
StartseitePythonEinführung in die Regression mit statsmodels in Python

Einführung in die Regression mit statsmodels in Python

"Prognostiziere Immobilienpreise und Klickrate durch Regression mit statsmodels in Python."

Kurs Kostenlos Starten
4 Stunden14 Videos53 Übungen39.381 LernendeTrophyLeistungsnachweis

Kostenloses Konto erstellen

GoogleLinkedInFacebook

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.
Group

Trainierst du 2 oder mehr?

Versuchen DataCamp for Business

Beliebt bei Lernenden in Tausenden Unternehmen


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.
Für Unternehmen

GroupTrainierst du 2 oder mehr?

Erhalten Sie für Ihr Team Zugriff auf die vollständige DataCamp-Bibliothek mit zentralisierten Berichten, Zuweisungen, Projekten und mehr
Testen Sie DataCamp for BusinessFür eine maßgeschneiderte Lösung buchen Sie eine Demo.

In den folgenden Tracks

Zertifizierung verfügbar

Associate Data Scientist in Python

Gehe zu Track

Grundlagen der Statistik mit Python

Gehe zu Track
  1. 1

    Einfache lineare Regressionsmodellierung

    Kostenlos

    Du lernst die Grundlagen dieses beliebten statistischen Modells, was eine Regression ist und wie sich lineare und logistische Regressionen unterscheiden. Dann lernst du, wie du einfache lineare Regressionsmodelle mit numerischen und kategorialen erklärenden Variablen anpasst und wie du die Beziehung zwischen der Antwort und den erklärenden Variablen mit Modellkoeffizienten beschreibst.

    Kapitel Jetzt Abspielen
    Eine Geschichte von zwei Variablen
    50 xp
    Welche ist die Antwortvariable?
    50 xp
    Zwei numerische Variablen visualisieren
    100 xp
    Anpassen einer linearen Regression
    50 xp
    Schätze den Achsenabschnitt
    50 xp
    Schätze die Steigung
    50 xp
    Lineare Regression mit ols()
    100 xp
    Kategoriale erklärende Variablen
    50 xp
    Visualisierung numerischer und kategorialer Daten
    100 xp
    Berechnung der Mittelwerte nach Kategorie
    100 xp
    Lineare Regression mit einer kategorialen erklärenden Variable
    100 xp
  2. 2

    Vorhersagen und Modellobjekte

    In diesem Kapitel erfährst du, wie du mit linearen Regressionsmodellen Vorhersagen über taiwanesische Hauspreise und Klicks auf Facebook-Werbung machen kannst. Du wirst auch deine Regressionskenntnisse erweitern, indem du mit Modellobjekten arbeitest, das Konzept der "Regression zum Mittelwert" verstehst und lernst, wie man Variablen in einem Datensatz umwandelt.

    Kapitel Jetzt Abspielen
  3. 3

    Bewertung der Modellanpassung

    In diesem Kapitel lernst du, wie du Fragen zu deinem Modell stellst, um die Passung zu beurteilen. Du lernst, wie du die Passgenauigkeit eines linearen Regressionsmodells quantifizierst, Modellprobleme mit Hilfe von Visualisierungen diagnostizierst und die Hebelwirkung und den Einfluss der einzelnen Beobachtungen auf das Modell verstehst.

    Kapitel Jetzt Abspielen
Für Unternehmen

GroupTrainierst du 2 oder mehr?

Erhalten Sie für Ihr Team Zugriff auf die vollständige DataCamp-Bibliothek mit zentralisierten Berichten, Zuweisungen, Projekten und mehr

In den folgenden Tracks

Zertifizierung verfügbar

Associate Data Scientist in Python

Gehe zu Track

Grundlagen der Statistik mit Python

Gehe zu Track

Datensätze

Customer churn dataTaiwan real estate dataAd conversion dataS&P 500 dataFish measurement data

Mitwirkende

Collaborator's avatar
Maggie Matsui
Collaborator's avatar
Amy Peterson
Collaborator's avatar
Richie Cotton
Maarten Van den Broeck HeadshotMaarten Van den Broeck

Senior Content Developer at DataCamp

Mehr Anzeigen

Was sagen andere Lernende?

Melden Sie sich an 15 Millionen Lernende und starten Sie Einführung in die Regression mit statsmodels in Python Heute!

Kostenloses Konto erstellen

GoogleLinkedInFacebook

oder

Durch Klick auf die Schaltfläche akzeptierst du unsere Nutzungsbedingungen, unsere Datenschutzrichtlinie und die Speicherung deiner Daten in den USA.