Après avoir suivi ces cours, je me sens confiant dans la création de visualisations et de tableaux de bord professionnels.
Shoebur RahmanSpécialiste des marchés publics, Giz Bangladesh
Description du cours
Imaginez pouvoir traiter, au sein d’un même cadre, des données dont la variable réponse est binaire, de comptage ou approximativement normale. Pas besoin d’imaginer plus longtemps. Bienvenue dans le cours sur les Modèles Linéaires Généralisés en Python ! Dans ce cours, vous enrichirez votre boîte à outils de régression avec les modèles logistique et de Poisson : vous apprendrez à les ajuster, les comprendre, évaluer leurs performances et, enfin, à les utiliser pour prédire sur de nouvelles données. Vous vous entraînerez avec des données issues d’études réelles, comme le plus vaste empoisonnement de population de l’histoire, la nidification des crabes fer à cheval et le comptage des passages de vélos sur les ponts de New York.
Prérequis
Programme de formation
Plan du cours
1
Introduction aux GLM
Reprenez les modèles linéaires et découvrez comment les GLM étendent ce cadre pour différents types de variables réponse. Vous verrez aussi les briques de base des GLM et le processus technique d’ajustement d’un GLM en Python.
- Aller au-delà de la régression linéaire50 XP
- Appliquer des modèles linéaires50 XP
- Modèle linéaire, un cas particulier de GLM100 XP
- Comment construire un GLM ?50 XP
- Type de données et famille de distributions100 XP
- Modèle linéaire et variable réponse binaire100 XP
- Comparer les valeurs prédites100 XP
- Comment ajuster un GLM en Python ?50 XP
- Ajustement du modèle étape par étape100 XP
- Résultats de l’ajustement du modèle avec summary()100 XP
- Extraire les estimations des paramètres100 XP
2
Modéliser des données binaires
Ce chapitre est consacré à la régression logistique. Vous verrez la structure des données binaires, la fonction de lien logit, l’ajustement du modèle, ainsi que l’interprétation des coefficients, l’inférence et l’évaluation des performances du modèle.
3
Modéliser des données de comptage
Vous découvrirez ici la régression de Poisson, avec une présentation des données de comptage, de la loi de Poisson et de l’interprétation de l’ajustement du modèle. Vous apprendrez aussi à gérer les problèmes de surdispersion. Enfin, vous pratiquerez la visualisation de modèles.
4
Régression logistique multivariée
Dans ce dernier chapitre, vous apprendrez à augmenter la complexité de votre modèle en ajoutant plus d’une variable explicative. Vous vous exercerez à gérer la multicolinéarité et au traitement des variables catégorielles et des termes d’interaction dans votre modèle.
Modèles linéaires généralisés en Python
Cours
terminé
