Curso
Introducción a la regresión con statsmodels en Python
IntermedioNivel de habilidad
Actualizado 3/2026Comienza El Curso Gratis
Incluido conPremium or Teams
PythonProbability & Statistics4 h14 vídeos53 Ejercicios4,150 XP58,140Certificado de logros
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.Preferido por estudiantes en miles de empresas
¿Formar a 2 o más personas?
Probar DataCamp for BusinessDescripción del curso
Utilizar modelos estadísticos de Python para la regresión lineal y logística
La regresión lineal y la regresión logística son dos de los modelos estadísticos más utilizados. Actúan como llaves maestras, desvelando los secretos ocultos en tus datos. En este curso, adquirirás las habilidades necesarias para ajustar regresiones lineales y logísticas sencillas.Mediante ejercicios prácticos, explorarás las relaciones entre variables en conjuntos de datos del mundo real, como reclamaciones de seguros de automóviles, precios de viviendas en Taiwán, tamaños de peces, etc.
Descubre cómo hacer predicciones y evaluar el ajuste del modelo
Empezarás este curso de 4 horas aprendiendo qué es la regresión y en qué se diferencian la regresión lineal y la regresión logística, aprendiendo a aplicar ambas. A continuación, aprenderás a utilizar los modelos de regresión lineal para hacer predicciones sobre los datos, a la vez que comprendes los objetos del modelo.A medida que avances, aprenderás a evaluar el ajuste de tu modelo y a saber lo bien que se ajusta tu modelo de regresión lineal. Por último, profundizarás en los modelos de regresión logística para hacer predicciones sobre datos reales.
Aprende los fundamentos del análisis de regresión en Python
Al final de este curso, sabrás cómo hacer predicciones a partir de tus datos, cuantificar el rendimiento del modelo y diagnosticar los problemas de ajuste del modelo. Comprenderás cómo utilizar los modelos estadísticos de Python para el análisis de regresión y serás capaz de aplicar los conocimientos a conjuntos de datos de la vida real.Requisitos previos
Introduction to Data Visualization with SeabornIntroduction to Statistics in Python1
Simple Linear Regression Modeling
You’ll learn the basics of this popular statistical model, what regression is, and how linear and logistic regressions differ. You’ll then learn how to fit simple linear regression models with numeric and categorical explanatory variables, and how to describe the relationship between the response and explanatory variables using model coefficients.
2
Predictions and model objects
In this chapter, you’ll discover how to use linear regression models to make predictions on Taiwanese house prices and Facebook advert clicks. You’ll also grow your regression skills as you get hands-on with model objects, understand the concept of "regression to the mean", and learn how to transform variables in a dataset.
3
Assessing model fit
In this chapter, you’ll learn how to ask questions of your model to assess fit. You’ll learn how to quantify how well a linear regression model fits, diagnose model problems using visualizations, and understand each observation's leverage and influence to create the model.
4
Simple Logistic Regression Modeling
Learn to fit logistic regression models. Using real-world data, you’ll predict the likelihood of a customer closing their bank account as probabilities of success and odds, and quantify model performance using confusion matrices.
Introducción a la regresión con statsmodels en Python
Curso completo
Obtener certificado de logros
Añade esta certificación a tu perfil de LinkedIn o a tu currículum.Compártelo en redes sociales y en tu evaluación de desempeño.
Incluido conPremium or Teams
Inscríbete Ahora¡Únete a 19 millones de estudiantes y empieza Introducción a la regresión con statsmodels en Python hoy mismo!
Crea Tu Cuenta Gratuita
o
Al continuar, aceptas nuestros Términos de uso, nuestra Política de privacidad y que tus datos se almacenen en los EE. UU.