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
La régression linéaire est un pilier des statistiques, mais elle ne peut pas gérer certains types de données complexes. Un modèle linéaire généralisé (GLM) étend la régression linéaire pour inclure des distributions non normales, notamment les données binomiales et de comptage. Tout au long de ce cours, vous enrichirez votre boîte à outils de data science avec les GLM en R. Dans le cadre de l’apprentissage des GLM, vous verrez comment ajuster un modèle sur des données binomiales avec une régression logistique et sur des données de comptage avec une régression de Poisson. Vous apprendrez également à interpréter ces résultats et à les représenter avec ggplot2.
Prérequis
Programme de formation
Plan du cours
1
Les GLM, une extension de votre boîte à outils en régression
Ce chapitre vous montre en quoi les modèles linéaires généralisés prolongent d’autres modèles de votre boîte à outils de data science. Le chapitre utilise également la régression de Poisson pour introduire les modèles linéaires généralisés.
- Limites des modèles linéaires50 XP
- Hypothèses des modèles linéaires50 XP
- Rappel : ajuster des modèles linéaires100 XP
- Régression de Poisson50 XP
- Ajuster une régression de Poisson dans R100 XP
- Comparer la régression linéaire et la régression de Poisson100 XP
- Comparaison des intercepts et des moyennes100 XP
- Fonctions lm() de base avec glm()50 XP
- Utiliser summary(), print() et tidy() avec glm100 XP
- Extraire les coefficients avec glm()100 XP
- Prédire avec glm()100 XP
2
Régression logistique
Ce chapitre explique comment exécuter une régression logistique et examiner les Résultat du modèle.
3
Interpréter et visualiser les GLM
Ce chapitre vous apprend à interpréter les coefficients d’un GLM et à tracer des GLM avec ggplot2.
4
Régression multiple avec des GLM
Dans ce chapitre, vous apprendrez à réaliser une régression multiple avec des GLM en R.
R
Modèles Linéaires Généralisés (GLM) en R
Cours
terminé
