Accéder au contenu principal

Cours

Régression intermédiaire avec statsmodels en Python

IntermédiaireNiveau de compétence

Actualisé 05/2022

Apprenez à effectuer une régression linéaire et logistique avec plusieurs variables explicatives.

Commencer le cours gratuitement

PythonProbability & Statistics

4 h

14 vidéos

52 Exercices

4,300 XP

15,780

Certificat de formation

Apprécié par des utilisateurs provenant de milliers d'entreprises

Former une équipe ?

Essayez pour les entreprises

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

Introduction to Regression with statsmodels in Python

1

Parallel Slopes

Extend your linear regression skills to parallel slopes regression, with one numeric and one categorical explanatory variable. This is the first step towards conquering multiple linear regression.

Parallel slopes linear regression

Fitting a parallel slopes linear regression

Interpreting parallel slopes coefficients

Visualizing each explanatory variable

Visualizing parallel slopes

Predicting parallel slopes

Predicting with a parallel slopes model

Visualizing parallel slopes model predictions

Manually calculating predictions

Assessing model performance

Comparing coefficients of determination

Comparing residual standard error

Commencer le chapitre

2

Interactions

Explore the effect of interactions between explanatory variables. Considering interactions allows for more realistic models that can have better predictive power. You'll also deal with Simpson's Paradox: a non-intuitive result that arises when you have multiple explanatory variables.

Models for each category

One model per category

Predicting multiple models

Visualizing multiple models

Assessing model performance

One model with an interaction

Specifying an interaction

Interactions with understandable coeffs

Making predictions with interactions

Predicting with interactions

Manually calculating predictions with interactions

Simpson's Paradox

Modeling eBay auctions

Modeling each auction type

Commencer le chapitre

3

Multiple Linear Regression

See how modeling and linear regression make it easy to work with more than two explanatory variables. Once you've mastered fitting linear regression models, you'll get to implement your own linear regression algorithm.

Two numeric explanatory variables

Interactive 3D scatter plot

Visualizing three numeric variables

Modeling two numeric explanatory variables

Visualizing two numeric explanatory variables

Including an interaction

More than two explanatory variables

Visualizing many variables

Different levels of interaction

Predicting again

How linear regression works

The sum of squares

Linear regression algorithm

Commencer le chapitre

4

Multiple Logistic Regression

Extend your logistic regression skills to multiple explanatory variables. You’ll also learn about logistic distribution, which underpins this form of regression, before implementing your own logistic regression algorithm.

Multiple logistic regression

Logistic regression with two explanatory variables

Logistic regression prediction

Visualizing multiple explanatory variables

Confusion matrix

The logistic distribution

Cumulative distribution function

Inverse cumulative distribution function

Logistic distribution parameters

How logistic regression works

Likelihood & log-likelihood

Logistic regression algorithm

Congratulations!

Commencer le chapitre

Régression intermédiaire avec statsmodels 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 Régression intermédiaire avec statsmodels 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.