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 et agissent comme des passe-partout, révélant les informations cachées dans les jeux de données. Dans ce cours, vous approfondirez les compétences acquises dans « Introduction à la régression en Python avec statsmodels », en découvrant 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 et la modélisation du churn client, et bien 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 expliquer 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 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
- Visualiser les prédictions d’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. Prendre en compte les interactions permet d’obtenir des modèles plus réalistes et souvent plus prédictifs. Vous aborderez aussi le paradoxe de Simpson : un résultat contre-intuitif qui apparaît lorsqu’on dispose de plusieurs variables explicatives.
3
Régression linéaire multiple
Découvrez comment la modélisation et la régression linéaire facilitent le travail avec plus de deux variables explicatives. Une fois l’ajustement de modèles linéaires maîtrisé, vous implémenterez votre propre algorithme de régression linéaire.
4
Régression logistique multiple
Étendez vos compétences en régression logistique à plusieurs variables explicatives. Vous apprendrez également la distribution logistique, qui sous-tend cette forme de régression, avant d’implémenter votre propre algorithme de régression logistique.
Régression intermédiaire avec statsmodels en Python
Cours
terminé
