Accéder au contenu principal

Cours

Modèles linéaires généralisés en Python

AvancéNiveau de compétence

Actualisé 10/2022

Créez une boîte à outils de régression avec les modèles logistiques et de Poisson. Formez, comprenez et validez-les. Faites des prédictions.

Commencer le cours gratuitement

PythonProbability & Statistics

5 h

16 vidéos

59 Exercices

4,950 XP

11,905

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

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

Introduction to Linear Modeling in Python

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 linéaire

Appliquer des modèles linéaires

Modèle linéaire, un cas particulier de GLM

Comment construire un GLM ?

Type de données et famille de distributions

Modèle linéaire et variable réponse binaire

Comparer les valeurs prédites

Comment ajuster un GLM en Python ?

Ajustement du modèle étape par étape

Résultats de l’ajustement du modèle avec summary()

Extraire les estimations des paramètres

Commencer le chapitre

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.

Données binaires et régression logistique

Calculer cotes et probabilités

Ajuster une régression logistique

Interpréter les coefficients

Coefficients en termes de cotes (odds)

Formule du modèle

Interpréter un modèle logistique

Taux de variation de la probabilité

Interpréter l’inférence du modèle

Signification statistique

Calculer la statistique de Wald

Intervalles de confiance

Calculer et décrire des prédictions

Visualiser l’ajustement du modèle avec regplot()

Calculer des prédictions

Calculer la matrice de confusion

Commencer le chapitre

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.

Données de comptage et loi de Poisson

Visualiser la variable réponse

Ajuster une régression de Poisson

Interpréter l’ajustement du modèle

Estimer le paramètre lambda

Interpréter les coefficients d’un modèle de Poisson

Intervalles de confiance de Poisson

Le problème de la surdispersion

La moyenne est-elle égale à la variance ?

Calculer le nombre attendu de comptages

Vérifier la surdispersion

Ajuster une loi binomiale négative

Intervalles de confiance pour le modèle binomial négatif

Tracer un modèle de régression

Tracer les données et l’ajustement du modèle linéaire

Tracer les valeurs ajustées

Commencer le chapitre

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.

Régression logistique multivariée

Ajuster une régression logistique multivariable

L’effet de la multicolinéarité

Calculer le VIF

Comparer des modèles

Vérifier l’ajustement du modèle

Comparer deux modèles

Déviance et transformation linéaire

Formule du modèle

Matrice de modèle pour variables continues

Transformation de variable

Coder des variables catégorielles

Variables catégorielles et termes d’interaction

Modéliser avec une variable catégorielle

Termes d’interaction

Félicitations !

Commencer le chapitre

Modèles linéaires généralisés en Python

Cours
terminé

Obtenez un certificat de réussite

Ajoutez cette certification à votre profil LinkedIn, à votre CV ou à votre portfolio
Partagez-la sur les réseaux sociaux et dans votre évaluation de performanceS'inscrire maintenant

Rejoignez plus de 19 millions d'utilisateurs et commencez Modèles linéaires généralisés en Python dès aujourd'hui !

Apprenez où que vous soyez avec l'application DataCamp

Progressez où que vous soyez grâce à nos cours conçus pour mobile et à nos défis quotidiens de 5 minutes.