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 et la régression logistique sont les deux modèles statistiques les plus utilisés ; ce sont des passe-partout qui dévoilent les secrets cachés dans les jeux de données. Ce cours prolonge les compétences acquises dans « Introduction à la régression en R », en couvrant la régression linéaire et logistique avec plusieurs variables explicatives. Au fil d’exercices pratiques, vous explorerez les relations entre variables dans des jeux de données réels, comme les prix de l’immobilier à Taïwan, la modélisation de l’attrition clientèle, et plus encore. À la fin du cours, vous saurez intégrer plusieurs variables explicatives dans un modèle, comprendre comment les interactions entre variables influencent les prédictions, et mieux saisir le fonctionnement des régressions linéaire et logistique.
Prérequis
Programme de formation
Plan du cours
1
Pentes parallèles
Étendez vos compétences en régression linéaire à la régression à « pentes parallèles », avec une variable explicative numérique et une variable explicative catégorielle. C’est la première étape pour maîtriser la régression linéaire multiple.
- Régression linéaire à pentes parallèles50 XP
- Ajuster une régression linéaire à pentes parallèles100 XP
- Interpréter les coefficients des pentes parallèles100 XP
- Visualiser chaque variable explicative100 XP
- Visualiser des pentes parallèles100 XP
- Prédire des pentes parallèles50 XP
- Prédire avec un modèle à pentes parallèles100 XP
- Calculer les prédictions manuellement100 XP
- Évaluer les performances du modèle50 XP
- Comparer les coefficients de détermination100 XP
- Comparer l’erreur standard résiduelle100 XP
2
Interactions
Explorez l’effet des interactions entre variables explicatives. Tenir compte des interactions permet d’obtenir des modèles plus réalistes et souvent plus prédictifs. Vous aborderez aussi le paradoxe de Simpson : un résultat contre-intuitif qui survient lorsqu’il y a plusieurs variables explicatives.
3
Régression linéaire multiple
Découvrez comment la modélisation, et la régression linéaire en particulier, facilite le travail avec plus de deux variables explicatives. Une fois l’ajustement de modèles de régression linéaire maîtrisé, vous implémenterez votre propre algorithme de régression linéaire.
4
Régression logistique multiple
Étendez vos compétences en régression logistique à plusieurs variables explicatives. Comprenez la loi logistique, qui sous-tend cette forme de régression. Enfin, implémentez votre propre algorithme de régression logistique.
R
Régression intermédiaire en R
Cours
terminé
