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
Dans ce cours, vous apprendrez à construire un modèle de régression logistique avec des variables pertinentes. Vous verrez aussi comment utiliser ce modèle pour faire des prédictions et comment le présenter, ainsi que ses performances, à des parties prenantes métier.
Prérequis
Programme de formation
Plan du cours
1
Construire des modèles de régression logistique
Dans ce chapitre, vous découvrirez les bases de la régression logistique : comment prédire une cible binaire à partir de variables continues, comment interpréter ce modèle et l’utiliser pour faire des prédictions sur de nouveaux exemples.
- Introduction et structure de la table de base50 XP
- Structure de la table de base50 XP
- Explorer la table de base100 XP
- Explorer les variables prédictives100 XP
- Régression logistique50 XP
- Interprétation des coefficients50 XP
- Construire un modèle de régression logistique100 XP
- Afficher les coefficients et l’ordonnée à l’origine100 XP
- Utiliser le modèle de régression logistique50 XP
- Réaliser des prédictions100 XP
- Donateur le plus susceptible de donner100 XP
2
Sélection progressive avant des variables pour la régression logistique
Dans ce chapitre, vous verrez pourquoi la sélection de variables est essentielle pour construire un modèle utile. Vous apprendrez aussi à mettre en œuvre une sélection progressive avant pour la régression logistique et à décider du nombre de variables à inclure dans votre modèle final.
3
Expliquer les performances du modèle au métier
Maintenant que vous savez construire un bon modèle, vous devez convaincre les parties prenantes de l’adopter en créant des graphiques adaptés. Vous apprendrez à construire et interpréter la courbe des gains cumulés et la courbe de lift.
4
Interpréter et expliquer les modèles
Dans un contexte professionnel, il est souvent important d’expliquer l’intuition derrière le modèle que vous avez construit. En effet, si le modèle et ses variables ne sont pas parlants, il risque de ne pas être utilisé. Dans ce chapitre, vous apprendrez à expliquer la relation entre les variables du modèle et la cible au moyen de graphiques d’analyse des prédicteurs.
Introduction à l’analytique prédictive en Python
Cours
terminé
