Accéder au contenu principal

Gratuit Cours

Modèles linéaires généralisés en Python

AvancéNiveau de compétence

Mis à jour 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 Gratuit

Inclus gratuitement

PythonProbability & Statistics

5 h

16 vidéos

59 Exercices

4,950 XP

11,885

Certificat de réussite

Apprécié par les Utilisateur dans des 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 to GLMs

Review linear models and learn how GLMs are an extension of the linear model given different types of response variables. You will also learn the building blocks of GLMs and the technical process of fitting a GLM in Python.

Going beyond linear regression

Applying linear models

Linear model, a special case of GLM

How to build a GLM?

Data type and distribution family

Linear model and a binary response variable

Comparing predicted values

How to fit a GLM in Python?

Model fitting step-by-step

Results of the model fit using summary()

Extracting parameter estimates

Commencer Le Chapitre

2

Modeling Binary Data

This chapter focuses on logistic regression. You'll learn about the structure of binary data, the logit link function, model fitting, as well as how to interpret model coefficients, model inference, and how to assess model performance.

Binary data and logistic regression

Compute odds and probabilities

Fit logistic regression

Interpreting coefficients

Coefficients in terms of odds

Model formula

Interpreting logistic model

Rate of change in probability

Interpreting model inference

Statistical significance

Computing Wald statistic

Confidence intervals

Computing and describing predictions

Visualize model fit using regplot()

Compute predictions

Compute confusion matrix

Commencer Le Chapitre

3

Modeling Count Data

Here you'll learn about Poisson regression, including the discussion on count data, Poisson distribution and the interpretation of the model fit. You'll also learn how to overcome problems with overdispersion. Finally, you'll get hands-on experience with the process of model visualization.

Count data and Poisson distribution

Visualize the response

Fitting a Poisson regression

Interpreting model fit

Estimate parameter lambda

Interpret Poisson coefficients

Poisson confidence intervals

The Problem of Overdispersion

Is the mean equal to the variance?

Computing expected number of counts

Checking for overdispersion

Fitting negative binomial

Confidence intervals for negative Binomial model

Plotting a regression model

Plotting data and linear model fit

Plotting fitted values

Commencer Le Chapitre

4

Multivariable Logistic Regression

In this final chapter you'll learn how to increase the complexity of your model by adding more than one explanatory variable. You'll practice with the problem of multicollinearity, and with treating categorical and interaction terms in your model.

Multivariable logistic regression

Fit a multivariable logistic regression

The effect of multicollinearity

Compute VIF

Comparing models

Checking model fit

Compare two models

Deviance and linear transformation

Model formula

Model matrix for continuous variables

Variable transformation

Coding categorical variables

Categorical and interaction terms

Modeling with categorical variable

Interaction terms

Congratulations!

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 curriculum vitae
Partagez-le sur les réseaux sociaux et dans votre évaluation de performanceInscrivez-vous 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.