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
Utilisez les modèles statistiques de Python pour la régression linéaire et logistique
La régression linéaire et la régression logistique sont deux des modèles statistiques les plus utilisés. Ils agissent comme des clés maîtresses, déverrouillant les secrets cachés dans vos données. Dans ce cours, vous acquerrez les compétences nécessaires pour effectuer des régressions linéaires et logistiques simples.Grâce à des exercices pratiques, vous explorerez les relations entre les variables dans des ensembles de données du monde réel, notamment les demandes d'assurance automobile, les prix de l'immobilier à Taiwan, la taille des poissons, etc.
Découvrez comment faire des prédictions et évaluer l'adéquation du modèle
Vous commencerez ce cours de 4 heures en apprenant ce qu'est la régression et en quoi la régression linéaire et la régression logistique diffèrent, en apprenant à les appliquer toutes les deux. Ensuite, vous apprendrez à utiliser les modèles de régression linéaire pour faire des prédictions sur les données tout en comprenant les objets du modèle.Au fur et à mesure de votre progression, vous apprendrez à évaluer l'adéquation de votre modèle et à connaître le degré d'adéquation de votre modèle de régression linéaire. Enfin, vous approfondirez les modèles de régression logistique pour faire des prédictions sur des données réelles.
Apprenez les bases de l'analyse de régression en Python
A la fin de ce cours, vous saurez comment faire des prédictions à partir de vos données, quantifier la performance du modèle et diagnostiquer les problèmes d'ajustement du modèle. Vous comprendrez comment utiliser les modèles statistiques Python pour l'analyse de régression et serez en mesure d'appliquer les compétences à des ensembles de données réelles.Prérequis
Programme de formation
Plan du cours
1
Modélisation par régression linéaire simple
Vous apprendrez les bases de ce modèle statistique très répandu, ce qu’est la régression, et en quoi les régressions linéaire et logistique diffèrent. Vous verrez ensuite comment ajuster des modèles de régression linéaire simples avec des variables explicatives numériques et catégorielles, et comment décrire la relation entre la variable réponse et les variables explicatives à l’aide des coefficients du modèle.
- Une histoire de deux variables50 XP
- Laquelle est la variable de réponse ?50 XP
- Visualiser deux variables numériques100 XP
- Ajustement d'une régression linéaire50 XP
- Estimer l'ordonnée à l'origine50 XP
- Estimer la pente50 XP
- Régression linéaire avec ols()100 XP
- Variables explicatives catégorielles50 XP
- Visualisation numérique par rapport à catégorielle100 XP
- Calcul des moyennes par catégorie100 XP
- Régression linéaire avec une variable explicative catégorielle100 XP
2
Prédictions et objets modèle
Dans ce chapitre, vous découvrirez comment utiliser des modèles de régression linéaire pour faire des prédictions sur les prix des maisons à Taïwan et les clics sur des publicités Facebook. Vous renforcerez aussi vos compétences en régression en manipulant des objets modèle, en comprenant le concept de « régression vers la moyenne », et en apprenant à transformer des variables dans un jeu de données.
3
Évaluer l’ajustement du modèle
Dans ce chapitre, vous apprendrez à interroger votre modèle pour évaluer son ajustement. Vous verrez comment quantifier la qualité d’ajustement d’un modèle de régression linéaire, diagnostiquer des problèmes de modèle à l’aide de visualisations, et comprendre l’effet de levier et l’influence de chaque observation sur la construction du modèle.
4
Modélisation par régression logistique simple
Apprenez à ajuster des modèles de régression logistique. À partir de données réelles, vous prédirez la probabilité qu’un client ferme son compte bancaire sous forme de probabilités de succès et de cotes (odds), et vous quantifierez les performances du modèle à l’aide de matrices de confusion.
Introduction à la régression avec statsmodels en Python
Cours
terminé
