Después de hacer estos cursos, me siento seguro creando visualizaciones y cuadros de mando profesionales
Shoebur RahmanEspecialista en adquisiciones, Giz Bangladesh
Descripción del curso
La regresión lineal y la regresión logística son los dos modelos estadísticos más utilizados y actúan como llaves maestras que abren los secretos ocultos en los conjuntos de datos. En este curso, ampliarás las habilidades que adquiriste en "Introduction to Regression in Python with statsmodels", mientras aprendes sobre regresión lineal y logística con múltiples variables explicativas. A través de ejercicios prácticos, explorarás las relaciones entre variables en conjuntos de datos reales, como precios de vivienda en Taiwán y modelado de churn de clientes, entre otros. Al final del curso, sabrás cómo incluir múltiples variables explicativas en un modelo, descubrirás cómo las interacciones entre variables afectan a las predicciones y comprenderás cómo funcionan la regresión lineal y la regresión logística.
Requisitos previos
Programa de formación
Esquema del curso
1
Pendientes paralelas
Amplía tus habilidades de regresión lineal hacia la regresión de pendientes paralelas, con una variable explicativa numérica y otra categórica. Este es el primer paso para dominar la regresión lineal múltiple.
- Regresión lineal de pendientes paralelas50 XP
- Ajustar una regresión lineal de pendientes paralelas100 XP
- Interpretar los coeficientes de pendientes paralelas100 XP
- Visualizing each explanatory variable100 XP
- Visualizing parallel slopes100 XP
- Predecir pendientes paralelas50 XP
- Predecir con un modelo de pendientes paralelas100 XP
- Visualizar predicciones del modelo de pendientes paralelas100 XP
- Calcular predicciones manualmente100 XP
- Evaluar el rendimiento del modelo50 XP
- Comparing coefficients of determination100 XP
- Comparar el error estándar residual100 XP
2
Interacciones
Explora el efecto de las interacciones entre variables explicativas. Tener en cuenta las interacciones permite modelos más realistas que pueden tener mejor capacidad predictiva. También abordarás la paradoja de Simpson: un resultado no intuitivo que surge cuando tienes múltiples variables explicativas.
3
Regresión lineal múltiple
Descubre cómo el modelado y la regresión lineal facilitan trabajar con más de dos variables explicativas. Una vez que domines el ajuste de modelos de regresión lineal, implementarás tu propio algoritmo de regresión lineal.
4
Regresión logística múltiple
Amplía tus habilidades de regresión logística a múltiples variables explicativas. También aprenderás sobre la distribución logística, que sustenta esta forma de regresión, antes de implementar tu propio algoritmo de regresión logística.
Regresión intermedia con statsmodels en Python
Curso
completado
